Artificial Analysis@ArtificialAnlysAI 评分6161
#语音
- Artificial Analysis@ArtificialAnlysAI 评分6161
The Verge：AIAI 评分6666 人工智能正在颠覆音乐。格莱美奖该如何应对？
录音学院 CEO Harvey Mason Jr. 指出，人工智能在音乐制作中已“无处不在”。流媒体平台 Deezer 报告，每天有超过 5 万首 AI 生成歌曲被上传，这类内容越来越难以识别和过滤。Suno 等工具已成为各类音乐家主流创作流程的一部分。尽管如此，录音学院的规则规定，AI 音乐不具备获得格莱美奖这一行业最高荣誉的资格。
MiniMax (official)@MiniMax_AIAI 评分7878引用Vision Agents@visionagents_aiCongrats to the @MiniMax_AI team on the release of M3! 👉 A frontier-class open-weight model 👉 1M context window 👉 Native multimodality (image & video)
Greg Brockman@gdbAI 评分5858GPT Realtime 2 解锁了一些真正的魔法： GPT-Realtime 2.0 被严重低估了。 演示：
引用Farza 🇵🇰🇺🇸@FarzaTVWatch me control my computer with just my voice. This is the future of operating systems. No hands. GPT-Realtime 2.0 is very, very underrated. Demo:
MarkTechPostAI 评分5757 2026年最佳文本转语音（TTS）模型：基于基准测试的对比
文章对2026年领先的商用与开源权重文本转语音（TTS）模型进行了排名对比。评估维度包括语音质量、延迟、成本、语言覆盖范围及许可协议，旨在帮助工程师根据具体应用场景选择合适的模型。
- Greg Brockman@gdb精选AI 评分7676引用cayden 凯登@caydengineer
OpenAI 刚刚发布了一种全新的模型 gpt-realtime-translate 接收任意语言的语音音频，并输出你目标语言的语音 LLM 很棒，但针对特定用例你需要专门的模型 我们正在我们的智能眼镜上运行这个
推荐理由：OpenAI悄悄推出一个专门做实时语音翻译的模型，不是通用LLM，而是专用模型。这标志着AI交互从文字转向语音的第一步，做翻译硬件或AR眼镜的团队要睡不着了。
IT之家·人工智能精选AI 评分7474 小米开源可控视频音效生成模型 ControlFoley，让声音“按你想要的来”
小米大模型应用团队发布开源可控视频音效生成模型 ControlFoley，旨在解决创作中的可控性难题。该模型统一支持文本引导视频配音、文本控制视频配音和参考音频控制视频配音三类任务。ControlFoley 在 VGGSound-Test 等多个 benchmark 上取得开源 SOTA 表现，其代码、模型权重和在线 Demo 均已开放。
推荐理由：小米开源的 ControlFoley 把视频音效生成从“看画面配声音”推进到“按意图来”，开源 SOTA 且直接提供 Skill，做视频创作的可以上手试试。
公众号：京东JoyAIAI 评分4343 JoyInside上新：小龙AI魔法益智打印机开启预售
京东JoyInside与ZORICAM联合推出小龙AI魔法益智打印机，集故事机、聊天机器人、打印机、学习机于一身。产品搭载京东自研JoyAI大模型，首创面向儿童的“情景式对话+打印”交互：唤醒“小龙”后通过语音指令即可生成画作并打印成专属贴纸，还能在对话中理解语境主动提出打印建议。硬件支持WiFi连接，续航超48小时。
TechCrunch：AI精选AI 评分7272 Sesame，这家由Oculus创始人创办的对话式AI初创公司，发布其iOS应用
由Oculus创始人创办的AI初创公司Sesame发布了其iOS应用，该应用将对话式AI智能体带给公众。应用提供更自然的来回交互体验，设计上区别于传统聊天机器人，旨在让用户感觉更像在和真人对话。
推荐理由：Oculus创始人做的对话AI，交互设计大概率能看到一些VR时代的人机直觉。虽不是大模型层创新，但产品体验可能重新定义什么样的对话才叫自然。
The Verge：AIAI 评分5353 iOS 27渲染图暗示Siri将迎重大重新设计
根据彭博社（Bloomberg）的渲染图显示，苹果计划在iOS 27中对Siri进行大幅重新设计。新版Siri将采用全新的聊天界面设计，可通过Dynamic Island（灵动岛）弹出，下拉菜单包含“Ask”、“Siri”和“ChatGPT”等选项，其视觉风格类似ChatGPT并融入了Liquid Glass设计语言。这些渲染图基于知情人士提供的信息，可能与最终设计有差异，苹果预计将在6月的WWDC大会上正式公布。
The Verge：AIAI 评分6161 Rivian软件负责人：车载软件无需CarPlay或物理按钮
Rivian首席软件官Wassym Bensaid同时担任该公司与大众集团成立的合资公司RV Tech的联席CEO。这家合资公司源于大众近60亿美元投资，旨在为大众及其旗下品牌的未来电动汽车开发操作系统和电子架构。Rivian正准备交付基于新架构的更平价车型R2，并已在R1车型中推出了AI驱动的Rivian Assistant。Bensaid将此视为打造更具“智能体”特性车载软件平台的关键一步。
公众号：京东JoyAIAI 评分5151 听见京东 618：大模型时代下的声音供应链
京东自研JoyAI语音大模型LiveTTS具备多语种、情绪解耦、语速解耦、捏声音色及一句话音色克隆（3—10秒语音）五大能力，已接入JoyClaw技能商店。覆盖10余种语言和8种方言，支持同一音色多方言与情绪表达。应用于JoyInside智能终端、JoyAI App万能博士、数字人JoyStreamer（累计服务超7万商家）及AI播客。618期间支撑千万级并发实时交互，为智能客服、数字人直播等场景提供低延迟语音输出。
ElevenLabs：BlogAI 评分5454 ElevenLabs 与希腊政府达成战略合作，将语音 AI 引入公共服务、旅游和方言保护
ElevenLabs 与希腊政府签署谅解备忘录，将语音 AI 应用于三大方向：gov.gr 门户的政府呼叫中心服务（该门户已有超过 2,200 项服务）、Visitgreece.gr 旅游基础设施，以及以克里特方言为起点的当地方言保护，Athena Research Center 担任本地合作方。
ElevenLabs：Blog精选AI 评分6262 ElevenLabs 发布 Dubbing v2 AI 配音模型，保留原始情感表演并支持 90+ 语言
ElevenLabs 发布 Dubbing v2 AI 配音模型，通过直接以原说话者的表演为条件生成语音，保留语气、节奏、停顿和情感意图，并同步适配到 90+ 语言的口语表达。
推荐理由：原文说明了模型直接基于原表演生成配音的思路，以及面向创作者、营销团队和工作室的不同入口，可用于判断是否替代现有配音流程。
IT之家·人工智能AI 评分6161 AI “复活”漫威之父斯坦 · 李，每月读书会为你讲述经典
AI音频公司ElevenLabs宣布与Stan Lee Universe达成合作，将在其平台整合漫威之父斯坦·李的声音、形象及音乐风格。其克隆声音已上线Iconic Marketplace和Eleven Reader，并内置“斯坦·李每月读书会”。ElevenCreative Music平台还推出了两款受其启发的Finetunes微调滤镜。相关使用默认限于个人非商业用途。
Midjourney：Updates精选AI 评分5959 Web 更新
对话模式在文本和语音输入方面进行了改进。语音会话开始时，可访问用户的图像提示、风格参考、侧边栏设置和最近任务。图像提示功能现可从托盘和侧边栏直接使用。在语音提交过程中，托盘中的图像将保持不变，直至用户手动移除。
推荐理由：Midjourney给语音模式补了一课——现在它能记住你正在用的图片参考和风格设置，语音创作不用反复翻找，用完即走的轻量用户可能无感。
Hugging Face 社区博客精选AI 评分7272 Reachy Mini 实现完全本地化语音交互
Reachy Mini 机器人现可通过 `speech-to-speech` 库实现完全本地化的语音交互，无需依赖云端。该方案采用级联流水线架构，对外提供 Realtime API 兼容的 WebSocket 接口。默认组件包括 Silero VAD 用于语音活动检测、Parakeet-TDT 作为语音转文本模型、通义千问（Qwen3-TTS）作为文本转语音模型。大语言模型推荐使用 llama.cpp 运行 Gemma 4。所有数据均在本地处理，保障了隐私且无 API 费用。
推荐理由：小众硬件的本地语音实战，但HF这套开源管线证明端到端对话已完全可用，所有组件都可自由替换，想做本地化语音助手的人可以照抄。
- Greg Brockman@gdb精选AI 评分6666引用Simon Smith@_simonsmith
你现在可以使用 Codex 实时转录会议，并在会议进行过程中向 Codex 提问！ 我更新了我的新 Codex Meeting Recorder 技能，使其使用 GPT Realtime Whisper。告诉 Codex 使用该技能，它就会开始转录并在预览窗格中显示。你可以在转录生成过程中就转录内容提问。会议结束后，告诉 Codex 结束，你就会得到完整的转录文本和一个格式化版本（格式化版本还需要改进；已在我的待办清单上）。 请注意，由于这使用的是 GPT Realtime Whisper 端点，它比在会议结束时再转录更贵，每分钟 $0.017（所以一场 30 分钟的会议大约 $0.51）。我正在考虑未来添加一个本地实时选项，比如使用 Nemotron Speech Streaming。 GitHub 链接在帖子串中，还有一些说明。
推荐理由：Greg 转发的这个 Codex 技能把实时会议转录和问答直接塞进了编辑器，0.5 美元一场会，做会议纪要的可以立刻用起来。
IT之家·人工智能AI 评分6363 腾讯会议推出“声链”功能：解决同时开麦啸叫问题
腾讯会议正式推出“声链”功能，旨在解决同一会议室内多台设备同时开麦时产生的啸叫问题。该功能基于腾讯天籁实验室的跨设备AI回声消除技术，通过算法对各设备音频进行回声消除与高质量混音对齐，以纯软件方案实现清晰无干扰的音频体验，并支持自动识别发言人。用户需将腾讯会议升级至最新版本以体验该功能。
IT之家·人工智能AI 评分4040 华为手机 / 平板 / 电脑同源设计：余承东发布全新一代鸿蒙智行 HarmonyOS 专属座舱
在鸿蒙智行问界 M9 系列新品发布会上，华为发布全新一代鸿蒙智行 HarmonyOS 专属座舱。该座舱采用华为手机/平板/电脑同源设计，支持卡片/应用/文件夹自由组合布局，操作效率提升 70%，并支持 3D 空间极简控车。此外，座舱配备专属小艺，具备类人思考架构、跨设备协同及模糊目的地导航等功能。
IT之家·人工智能AI 评分4444 消息称华为协同认证功能正在逐步适配上线，可在锁屏状态下免解锁使用小艺部分语音指令
华为协同认证功能正在逐步适配上线。该功能允许用户在设备锁屏时，通过附近协同设备（如华为AI眼镜）确认身份后，直接使用小艺的部分语音指令，无需手动解锁。目前华为AI眼镜已完成适配，后续将逐步支持更多耳机、手表等设备。
MarkTechPostAI 评分6161 Stability AI 发布 Stable Audio 3：用于音频生成与编辑的快速潜在扩散模型家族
Stability AI 发布了 Stable Audio 3，这是一个用于器乐和音效生成的潜在扩散模型家族。此次发布包含 Small 和 Medium 两个开放权重变体。Small 变体可在 MacBook Pro M4 CPU 上运行，Medium 变体适配 8GB 显存的消费级显卡。两者均采用流匹配、蒸馏预热和对抗后训练的三阶段流水线，以生成 44.1 kHz 的立体声音频。在 BBC Sound Effects 基准测试（5秒片段）中，SA3 Medium 的 FAD 得分为 0.369，优于论文中评估的所有开放权重基线。
TechCrunch：AIAI 评分6161 环球音乐与 TikTok 续签协议，打击未经授权的 AI 音乐
环球音乐集团（Universal Music Group）与 TikTok 续签了合作协议，旨在打击平台上未经授权的 AI 音乐。多年来，环球音乐集团一直推动各大平台、流媒体服务及 AI 公司实施更严格的内容审核政策，此次续签是其相关行动的一部分。
The Verge：AIAI 评分5959 没人愿意告诉我为什么他们只听自己生成的Suno垃圾
Suno 用户社区出现一种现象：部分用户不再使用 Spotify 等传统音乐流媒体，转而几乎只收听自己通过 Suno 生成的 AI 音乐。有用户在 Reddit 帖子中“自豪地宣称”并引发了共鸣，他们将此形容为一种“令人上瘾”的体验，沉迷于收听自己创作的、源源不断的“热门歌曲”。
ElevenLabs：Blog精选AI 评分6464 ElevenLabs 发布 Music v2，人声与编曲能力提升并下调定价
ElevenLabs 发布 Music v2，提升人声、器乐和编曲质量，支持单首歌内从歌剧切换到重金属、局部 inpainting 重新生成与逐段构建完整歌曲，多语言歌词与演唱表现更稳定。
推荐理由：原文来自 ElevenLabs 官方，给出模型能力细节、三平台定位和降价幅度，可帮助读者评估其在音乐生成场景的可用性。
IT之家·人工智能AI 评分5555 卢伟冰：小米不会把内存涨价成本转嫁给消费者，今年七八月将发布新一代 OS
小米集团总裁卢伟冰在财报电话会上表示，小米手机全球市场份额连续 23 个季度稳居前三，手机均价及海外均价创历史新高，毛利率超预期。他强调将坚定推进高端化与全球化，并用 AI 重塑手机业务，今年超级小爱与 miclaw 合体是关键节点。面对存储涨价，小米表示不会简单地将成本转嫁消费者，将通过产品矩阵升级与软件优化平衡规模与利润，并透露今年七八月将发布带来新交互体验的新一代 OS。
MarkTechPostAI 评分6868 介绍 OmniVoice Studio：本地开源的 ElevenLabs 替代方案
OmniVoice Studio 是一个完全在本地硬件上运行的开源项目，无需 API 密钥、云账户或订阅。它提供语音克隆、视频配音、实时听写和说话人分离等功能，支持 646 种语言的语音合成（TTS），并暴露一个 MCP 服务器，可与 Claude、Cursor 等 MCP 客户端集成。
MarkTechPostAI 评分6161 阶跃星辰发布StepAudio 2.5 Realtime：一款具有角色扮演RLHF和副语言理解的端到端语音模型
阶跃星辰于2026年5月发布StepAudio 2.5 Realtime，这是一款支持完全可定制个性化角色的端到端实时语音大语言模型。该模型通过WebSocket API提供服务，支持中英文。在2026年4月进行的五个基准测试维度中均排名第一，具体包括80.41的人类评测得分和82.18的副语言理解得分。
IT之家·人工智能AI 评分4343 古尔曼：苹果 iOS 27 将大幅改进 AirPods 设置界面
苹果将优化AirPods软件功能，但暂无独立应用计划。iOS 27将大幅改动设置应用中的AirPods菜单界面，使其更实用、清晰、简洁。当手机连接AirPods后，其设置页面会自动置顶于设置首页。此次改版旨在优化长期叠加新功能后变得繁杂的界面信息层级。该更新将同步上线于iOS 27、iPadOS 27及macOS 27系统，新系统将于数周后的苹果全球开发者大会发布。
TechCrunch：AIAI 评分4646 我试用了亚马逊Bee可穿戴设备：既着迷又有些毛骨悚然
亚马逊推出了AI可穿戴设备Bee，与其他同类产品类似，它在提供便利性的同时也引发了用户对隐私的担忧，这种便利与隐私焦虑的矛盾结合显得十分奇特。
IT之家·人工智能AI 评分6363 WWDC 2026 在即，苹果悄悄注册全新子域名 genai.apple.com
苹果宣布WWDC 2026将于北京时间6月9日凌晨1点开幕，并已注册全新子域名genai.apple.com，预示其在生成式AI领域的新动作。新版iOS 27等系统将集成大量Apple Intelligence功能，包括支持连续对话的Siri独立应用、视频实时字幕生成、自然语言语音控制以及扫描提取信息等智能工具。
StepFun@StepFun_ai精选AI 评分7676推荐理由：StepFun 这个语音模型把副语言感知做进了实时 API，产品人想搞点情感化语音交互的可以试试，预设角色能省不少调 prompt 的功夫。
- MiniMax (official)@MiniMax_AIAI 评分4949引用Gradium@GradiumAI
Meet Colin, Lexi, and Gizmo. One is part of Gradium's GTM team. One is his dog. And one is the AI assistant he built himself. This is their day in Paris.
TechCrunch：AIAI 评分5858 AI 正被用于复活死飞行员的声音
人们运用人工智能技术分析驾驶舱录音的频谱图图像，成功重建了已故飞行员的声音。这一行为迫使美国国家运输安全委员会（NTSB）临时封锁其文档系统的访问权限，以应对潜在的安全风险。该事件展示了AI在音频修复领域的实际应用，同时突显了数据管理、隐私保护及系统完整性方面的挑战。
Ars Technica：AIAI 评分6666 美国紧急应对网友重现遇难飞行员声音
网友利用语音合成技术，成功模拟并重现了已故飞行员的声音。此举挑战了美国国家运输安全委员会（NTSB）禁止公开驾驶舱录音的法律规定。变通手段规避了该禁令，引发监管机构对音频数据滥用与伦理问题的关注。
ChatGPT@ChatGPTapp精选AI 评分6969用对话处理文书工作更轻松。 借助ChatGPT的图像功能和语音模式，您可以上传表单，说出要填写的内容，即可获得填写完成的版本。
推荐理由：填表终于不用打字了，上传表格对着说就行，ChatGPT 这个更新把语音和图像真正串起来，以后各种纸质表单直接扔进去就完事。
- Artificial Analysis@ArtificialAnlysAI 评分6161
