#语音

WWDC 2026 前瞻：Siri 备受期待的改造、Apple Intelligence 与 iOS 27

苹果 WWDC 2026 临近，Siri 备受期待的改造、Apple Intelligence 和 iOS 27 是本次大会的主要看点。

OpenBMB@OpenBMB· 22:46精选AI 评分7575

面壁智能 OpenBMB 发布 VoxCPM2 技术报告。该模型为最新语音生成模型，拥有 2B 参数，基于超 200 万小时多语言语音数据训练，支持 30 种语言和 9 种中文方言。具备自然语言语音设计、可控及高保真延续性语音克隆能力。技术报告涵盖架构设计、统一序列公式、AudioVAE 高保真语音重建、大规模训练评估，以及零样本和指令跟随 TTS 基准结果。采用 16kHz 语义编码 + 48kHz 波形重建，在公开 TTS 基准上达到 SOTA 或极具竞争力。模型权重、微调代码和推理工具以 Apache 2.0 开源。

ElevenLabs 与英国政府签署 MOU，将语音 AI 引入公共服务并扩建伦敦总部

ElevenLabs 与英国科学、创新与技术部（DSIT）签署谅解备忘录，探索用语音 AI 改善公共服务可及性、深化与英国 AI Security Institute 的 AI 安全研究，并推动语音与音频 AI 人才培养。公司今年将迁入面积三倍于现有办公室的伦敦新总部，英国员工规模翻倍至 200 人，并任命 Alex Holt 为 Field CTO。

WWDC 2026：如何观看及期待什么

Apple 年度开发者大会 WWDC 2026 将于 6 月 8 日举行，主题演讲预计持续数小时，重点发布 iOS、macOS 等操作系统更新，并可能对 Siri 进行重大改造。观众可通过 YouTube 或 Apple 官网观看直播。

Microsoft AI 推出 MAI-Transcribe-1.5 语音转文本模型

Microsoft AI 发布 MAI-Transcribe-1.5，其自研语音转文本模型的第二代。该模型支持 43 种语言，新增关键词（实体）偏置功能，可针对领域特定术语优化。在 Artificial Analysis 排行榜上词错误率（WER）为 2.4%，在 FLEURS 基准上达到最佳准确率。转录一小时音频耗时不到 15 秒，长音频转录速度提升达 5 倍。MAI-Transcribe-1.5 已通过 Azure AI Foundry 提供。

漫步者 LolliClip SE 耳夹式蓝牙耳机发布：蓝牙 6.1，到手价 449 元

漫步者正式发布 LolliClip SE 耳夹式开放式蓝牙耳机，活动到手价 449 元（京东指导价 499 元）。该耳机为首款支持杜比 AI 的耳夹耳机，配备杜比空间音效；搭载 12mm 双磁长冲程动圈与双材质复合振膜，支持动态低频补偿算法和 LHDC 高清解码（最高 990kbps），获 Hi-Res、HWA 双金标认证。采用专利多曲率空气弧软梁及智能左右声道自适应。集成豆包 + DeepSeek 双 AI，支持 AI 问答、21 种语言实时互译、AI 会议总结转写。连接基于蓝牙 6.1，支持双设备无缝切换，单次续航 10 小时，总续航 40 小时。具备双麦 AI 通话降噪、IP56 防尘防水，可通过 EDIFIER Connect APP 控制。云霜金版本将于 6 月 9 日 10 点开售。

Tencent Hy@TencentHunyuan· 14:14精选AI 评分6969

腾讯混元联合上海交大、南洋理工等机构推出MMAE（Massive Multitask Audio Editing Benchmark），这是首个全面评估AI语音/音频编辑能力的基准。MMAE要求模型理解现有音频并按自然语言指令精确修改，而非简单生成。当前模型在该基准上的精确匹配率（EMR）低于5%，暴露了可靠音频编辑的短板。MMAE包含2000个真实场景高保真样本、17741条细粒度评估项，覆盖声音/音乐/语音及混合共7种模态、6种任务复杂度（基础修改到多跳推理及多轮编辑）、8种操作类型（局部到全局）。论文、代码、数据集和演示已公开。

谷歌 Gemini 语音助理曝“伪上下文对齐”漏洞，黑客可借特殊通知下毒

安全公司 SafeBreach 披露谷歌 Gemini 存在“Fake Context Alignment”漏洞。黑客可通过 WhatsApp、短信等发送特殊构造通知，将恶意指令隐藏在非目标语言文字或“静音超链接”中，利用 Gemini 的“Delayed Tool Invocation”机制绕过用户授权。攻击方式包括多语言混淆和语音助手不朗读超链接内容，可能导致智能家居被操控、通讯录被篡改。SafeBreach 于去年 8 月报告，谷歌在 11 月中旬通过改进内容分类器缓解。

特斯拉 Grok 车载 AI 助手全球扩容，新增智利、马来西亚等市场

根据特斯拉 2026.20 版本软件更新日志，由 xAI 研发的 Grok 聊天机器人已在车载系统应用近一年，现扩展至智利、马来西亚、菲律宾及中国香港等市场。Grok 支持开放式问答、导航指令、语音唤醒“嘿，Grok”及地理位置提醒功能。用户可通过应用启动栏、方向盘语音按键或语音唤醒使用，并可自定义语音音色与对话风格。部分功能需订阅特斯拉高级联网服务。Grok 仍处于早期测试版阶段，未来计划支持控制空调、车灯及 FSD 等核心功能。

苹果WWDC再次预告新Siri：Apple Intelligence承诺仍未完全兑现

苹果在2024年WWDC首次展示新Siri，搭载发光边框、多种语音选项及向ChatGPT提问的能力，但关键的Apple Intelligence功能迟迟未上线，误导性宣传导致公司面临集体诉讼和解。本周WWDC上，苹果准备再次介绍新Siri，试图在AI领域扭转被动局面。

Audio Interaction：开源语音模型持续监听，每0.4秒决定是否说话或保持沉默

Audio Interaction是一个开源语音模型，持续监听环境，每0.4秒判断是否应该说话或保持沉默。与GPT-4o或Qwen3.5-Omni不同，它无需等待录音结束，可在单个流中同时进行翻译、转录、对话并识别咳嗽等日常噪音。代码和模型权重已在GitHub上以Apache 2.0开源许可发布，训练数据稍后公布。

NVIDIA 发布 Nemotron 3.5 ASR：600M 参数缓存感知流式模型，实时转录 40 种语言-地区

NVIDIA 发布 Nemotron 3.5 ASR，一个 600M 参数的缓存感知流式模型，支持从单个检查点实时转录 40 种语言-地区。

Artificial Analysis@ArtificialAnlys· 09:01AI 评分5252

Google DeepMind 发布开源权重模型 Gemma 4 12B，支持语音转录，在 AA-WER 基准上得分为 8.8%（排名第 58），远低于专注转录的开源模型 Voxtral Mini Transcribe 2（4B 参数，WER 3.6%）和 Voxtral Small（12B 参数，WER 2.8%）。该模型是 Gemma 4 系列中支持转录的最大型号（另有 E4B、E2B），而 31B 和 26B A4B 仅支持文本、图片和视频输入。Google 同步推出本地听写应用 Eloquent（MacOS/iOS）。模型已在 Hugging Face、Ollama 和 LMStudio 上架。

Google Gemini@GeminiApp· 00:41精选AI 评分8181

你现可直接在 Gemini Live 中创建和编辑图像。 无论是测试房间装饰、解决数学问题，还是制作可分享的梗图，所有操作都实时完成。 只需打开 Gemini 应用，点击 Live 按钮，共享摄像头，告诉 Gemini 你想看到的。

Suno 分享 Voices 功能的 6 条人声录制技巧

Suno 官方发布 6 条使用 Voices 功能的技巧，帮助用户录制更有表现力的人声。建议包括在安静环境录制、提前练习歌词、不必追求完美、尽量录长一点（至少一分钟）以获得更一致的模型效果、根据曲风匹配合适的嗓音，以及尝试意外风格。Voices 目前向 Web 端付费用户开放。

苹果新版 Siri 不会被宣传为完成品，内部将其标记为“Beta”版

苹果新版Siri被内部标记为“Beta”版，不会作为完成品宣传；可能设置等待清单供用户尝试。iOS 27细节：通知到达重新设计，通知中心手势移至左上角；“查找”应用视觉重设计；照片“清理”功能改进；大量底层安全改进。部分Siri查询将通过Google Cloud调用授权版Gemini，并使用谷歌的NVIDIA Blackwell B200集群处理。

Boson AI 与 LMSYS 发布基于 SGLang-Omni 的 Higgs Audio v3 TTS 端到端服务

Boson AI 与 LMSYS 联合推出基于 SGLang-Omni 推理框架的 Higgs Audio v3 TTS 端到端服务。该模型约 4B 参数，基于 Qwen3-4B 骨干，支持 100 种语言（内部评测覆盖 111 种），在 Seed-TTS、CV3、MiniMax-Multilingual 及 Higgs-Multilingual 零样本语音克隆任务中达到单字级 WER/CER。开发者可通过文本内控制标签实时调整情感（20+种）、风格、韵律（语速/音高/停顿）及音效。模型支持流式合成，文本未完整时即可开始生成语音并保持一致性。SGLang-Omni 专为多阶段生成模型设计，统一调度 AR 解码与轻量计算，实现低延迟推理。

Nemotron 3.5 ASR：为你的语言、领域或口音进行微调

Nemotron 3.5 ASR 是一个 600M 参数的多语言流式语音识别模型，单个检查点覆盖 40 种语言-地区（含英、西、德、法、意、日、韩、中、阿拉伯等）。采用 Cache-Aware FastConformer 编码器与 RNNT 解码器，缓存内部状态避免重复计算，实现低延迟流式转录且不损失精度。模型原生输出带标点和大写的生产级文本，无需后处理。支持指定语言（target_lang=es-ES）或自动语言检测（target_lang=auto）。通过注意力上下文大小（att_context_size）可在推理时直接调节延迟-准确率权衡，范围从 80ms 到 1.12s，无需重新训练。模型以 NeMo 检查点形式发布，可用于微调以适配特定语言、领域或口音。

MiniMax (official)@MiniMax_AI· 19:29AI 评分5757

MiniMax宣布联合YC于6月6-7日在旧金山举办24小时Conversational AI Hackathon。其方案结合@usemoss检索获取上下文、M3模型进行推理，以及MiniMax Speech 2.8 Turbo实现语音响应——延迟低于250毫秒，支持40+语言。第一名将获得YC合伙人面试机会。

MiniMax (official)@MiniMax_AI· 18:59AI 评分4646

MiniMax 在 YC 办公室的 24 小时对话 AI 黑客马拉松（6 月 6–7 日）上推广其语音智能体方案。方案结合 @usemoss 的时序检索、M3 模型推理，以及 MiniMax Speech 2.8 Turbo——该语音模型实现低于 250ms 的响应延迟，支持 40 多种语言。黑客马拉松第一名将获得 YC 合伙人面试机会。

Miso Labs 发布 MisoTTS：8B 参数情感文本转语音模型，开放权重

Miso Labs 推出 MisoTTS，一款开放权重的 8B 参数文本转语音模型。该模型采用残差向量量化（RVQ）在不增加参数量的情况下扩展声音范围，并同时基于文本和音频上下文来响应用户语调。架构由 7.7B 主骨干与 300M 深度解码器组成。

Grok 成为 Vapi 的默认语音引擎

xAI 宣布与 Vapi 合作，Grok 将作为 Vapi 平台上 12 种核心语音的默认引擎，覆盖超过 250 万个语音智能体。在 Vapi 独立盲测中，Grok Voice 位列第一；X 平台上的人机语音盲猜中，超 4500 名用户有一半无法区分 Grok 与真人。现在，Grok Speech-to-Text 和 Text-to-Speech 已集成至 Vapi Dashboard，团队还可通过 Grok Voice API 获取高级定制选项（含语音克隆），用于旁白、播客、广告等场景。

Elon Musk@elonmusk· 10:37AI 评分6161

xAI 推出 Grok Voice，其中 Grok Voice Think Fast 1.0 在 Artificial Analysis τ-Voice 基准（真实世界智能客服解决能力评测）中排名第一，大幅超越 GPT-Realtime-2 (High) 和 Gemini 3.1 Flash。该模型已实际部署，通过自然语音为 Starlink及多家企业提供实时客户服务，完全以语音交互驱动。

Elon Musk@elonmusk· 09:06精选AI 评分7272

Vercel 的 AI Gateway 上现已推出 Grok Imagine Video 1.5。该服务支持图生视频并同步音频，一次性完成。示例代码： `await generateVideo({ model: 'xai/grok-imagine-video-1.5-preview', prompt: 'a rabbit sprinting through nyc' });`

深陷版权诉讼仍受资本热捧，AI 音乐生成公司 Suno 再融资 4 亿美元

AI 音乐生成企业 Suno 完成 4 亿美元 D 轮融资，投后估值 54 亿美元，较七个月前 C 轮估值翻番。公司承认使用受版权保护歌曲训练 AI 模型，但辩称符合合理使用原则。索尼与环球音乐 2024 年首次起诉后，涉案曲目从 560 首增至超 6.1 万首；华纳音乐于 2024 年 11 月与 Suno 和解并签订授权协议。本轮由 Bond Capital 领投，用户日均生成 AI 歌曲超 700 万首。

Google DeepMind 发布 Gemma 4 12B：无需编码器的多模态模型，支持原生音频，可在16GB笔记本上运行

Gemma 4 12B 是 Google DeepMind 发布的无需编码器的多模态模型，直接将视觉和音频输入大语言模型骨干，支持原生音频，可在 16 GB 笔记本电脑上本地运行，采用 Apache 2.0 开源许可。

xAI@xai· 01:08AI 评分7070

试试 @Vapi_AI 上最自然的TTS和性价比最高的STT API。 来自 @xai 的Grok STT和Grok TTS现已在企业语音AI平台Vapi上线。基于Vapi构建自定义语音智能体，可让它们用客户的语言交流、在受监管的工作流中捕捉重要细节，并在每次通话中明显更具人性化。

两位前高盛和Meta创始人打造语音AI，瞄准非洲和中东被忽视的市场

这家由前高盛和Meta创始人创办的语音AI初创公司，专注于非洲和中东市场，其自有技术栈目前已处理日均超过17000通电话。

Suno@suno· 23:09精选AI 评分6868

我们激动地宣布Suno的新篇章：4亿美元D轮融资，估值54亿美元！🚀 我们的使命一直很简单：让更多人能体验制作音乐的乐趣。非常感谢我们不可思议的社区和投资者与我们共同建设。 点击此处阅读Mikey的博客：https://suno.com/blog/series-d-announcement

OpenRouter@OpenRouter· 03:59精选AI 评分6868

三款新的 @MicrosoftAI 模型现已在 OpenRouter 上线！ 同步推出：MAI-Image-2.5、MAI-Transcribe-1.5 和 MAI-Voice-2。详情见下文 🧵

谷歌宣布 Android 行业首创虚假来电检测功能，防范 AI 克隆语音冒充熟人诈骗

谷歌为 Android 推出“虚假来电检测”功能，当通讯录联系人双方均使用 Phone by Google 时，系统可基于端到端加密的 RCS 信号实时验证来电设备，防范利用 AI 语音克隆冒充熟人的诈骗。该功能默认开启，本月向全球推送，首批支持 Android 12 及以上系统设备，率先登陆 Google Pixel 系列。

Artificial Analysis@ArtificialAnlys· 02:47AI 评分6464

微软AI发布了MAI-Transcribe-1.5语音转录模型。该模型在AA-WER排行榜上位列第三，词错误率（WER）为2.4%，仅次于阿里巴巴的Fun-Realtime-ASR-preview（1.7%）和ElevenLabs Scribe v2（2.2%）。其主要特点是速度极快，处理速度约为276倍实时，是准确率前十模型中第二快模型速度的两倍以上，因此在准确率-速度帕累托前沿上处于领先地位。模型还支持关键词偏差识别，并涵盖包括英语、法语、阿拉伯语、日语和中文在内的43种语言。

Google Phone 应用推出诈骗检测功能：识别冒充联系人电话

Google Phone 应用新增诈骗检测功能，当来电号码伪装成联系人但实为诈骗者使用 AI 变声时，会标记为可疑通话。2025 年 FBI 报告显示，美国人因 AI 诈骗损失超过 8.93 亿美元，该功能旨在帮助用户避免此类风险。

继 Phi-4-mini 后：微软宣布为 Edge 浏览器引入更高效的 Aion-1.0-Instruct 模型与翻译 API，支持 145 种以上语言

微软在 Build 2026 开发者大会上宣布扩展 Edge 浏览器的端侧 AI 能力。其核心是发布了 Aion-1.0-Instruct 小语言模型的开发者预览版，该模型比 Phi-4-mini 更高效，可在包括无 GPU 设备在内的更多设备上运行，并计划于 7 月在 Hugging Face 开源。同时，Edge 148 预览版推出了由端侧专用模型驱动的语言检测与翻译 API，支持超过 145 种语言。此外，Edge Canary 和 Dev 通道还提供了基于端侧模型的 Web Speech API 语音识别实验功能，实现了本地化处理。

Microsoft 发布 MAI-Voice-2 语音合成模型，支持 15 种语言与零样本声音克隆

Microsoft 发布文本转语音模型 MAI-Voice-2，官方称在保真度、语言覆盖、说话人一致性和情感范围上较前代显著提升，并列对比偏好测试中 72% 的场景优于 MAI-Voice-1。

xAI全球招“中文AI导师”：训练Grok听中文，可远程办公

xAI正在全球招聘“中文AI导师”，以训练其AI模型Grok的中文语音交互能力。核心工作是整理与标注高质量音频数据，以改进Grok的多语言语音识别与理解。应聘者需母语为中文，并具备至少英语B2水平。该职位提供全职、兼职或合同工等多种形式，支持全程远程办公。美国境内候选人的时薪为35-45美元。

腾讯客服：微信正与多家手机厂商合作推出语音助手通话功能

微信正与华为、荣耀、小米、OPPO、vivo 等手机厂商合作推出 A2A（Agent-to-Agent）助手能力。用户可通过手机语音助理发起微信音视频通话或向指定好友发送消息。该功能由厂商 AI 助手向微信发起指令，微信负责执行并返回结果，采用双重授权机制保障数据安全。相关功能正在逐步开放中，荣耀的部分手机已率先支持。

微软 MAI-Transcribe-1.5 发布：支持关键词偏置，FLEURS 上 WER 降低 30%

微软推出转录模型 MAI-Transcribe-1.5，新增关键词偏置功能，可让用户提供人名、产品名、医学术语等特定领域词汇列表来引导预测，模型会结合上下文判断是否应用偏置而非强行匹配。在 FLEURS 多语言基准上，启用关键词偏置后词错误率（WER）降低 30%，同时保持通用语音的识别准确率。

苹果 WWDC26 下周开幕，新标语“全高光就位”暗指 Siri 将迎改版

苹果WWDC26开发者大会将于北京时间6月9日凌晨1点开幕。本届大会以“All systems glow”标语预热，这改编自“一切就绪”，被外界解读为暗示即将登陆iOS 27的Siri界面改版，可能包括推出独立App及在灵动岛新增功能，并采用深色UI与发光视觉元素。大会首场发布会将正式发布iOS 27等全系列新系统，并通过苹果官网及YouTube直播。

OpenAI Developers@OpenAIDevs· 05:47AI 评分4646

投票结果已出。 @isausmanov 的手机智能体操作系统获得语音黑客松人民选择奖。 一款语音优先的移动操作系统。用户说话，智能体响应并在手机上执行操作。 祝贺团队赢得 50,000 美元 API 额度。