据彭博社记者马克·古尔曼爆料，苹果正在开发两款智能穿戴设备。一款是尺寸类似AirTag的吊坠配件，可夹在衣物或作为项链佩戴，配备常开摄像头和麦克风，依赖连接iPhone及iOS 27版Siri进行语音交互与数据处理，无屏幕和投影仪，项目仍处早期，可能于2027年发布。另一款是计划在2026年底或2027年初推出的智能眼镜，内置摄像头、扬声器和麦克风，支持拍照、通话及Siri通知，并与Apple Intelligence整合优化导航等功能，采用自主设计的塑料镜框，但第一代不配备AR显示功能。
Greg Brockman@gdbAI 评分7676自OpenAI创立以来，我一直对实时语音翻译这一AI应用感到兴奋。 现在看到它通过API向所有开发者开放，真是太酷了：
新しいリアルタイム翻訳モデルを発表できることをうれしく思います。ぜひ本日よりAPIでお試しください。
Sam Altman@samaAI 评分7979人们真的开始用语音与AI互动了，尤其是在需要输入大量上下文时。 GPT-Realtime-2今天登陆API；这是相当大的一步前进。 （我们正在改进聊天中的语音功能。）
OpenAI发布了三款新型语音模型：GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper。其中，GPT-Realtime-2具备与GPT-5相匹配的实时推理能力，旨在实现更流畅、智能的实时对话交互。GPT-Realtime-Translate支持超过70种语言的实时翻译，而GPT-Realtime-Whisper则专注于实时语音转写功能。这一系列模型标志着OpenAI在实时音频处理和交互领域的重要进展，有望显著提升跨语言沟通和语音应用的体验。
MiniMax (official)@MiniMax_AIAI 评分4545Working as a public company in the ever-changing space of voice x AI: "The public market doesn't get it. You still need to deliver things quarter over quarter." Linda Sheng of @MiniMax_AI joins @EricNewcomer at Cerebral Valley Voice:
Greg Brockman@gdbAI 评分8787Introducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API alongside streaming models GPT-Realtime-Translate and GPT-Realtime-Whisper — a new set of audio capabilities for the next generation of voice interfaces.
OpenAI Developers@OpenAIDevsAI 评分7878Introducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API alongside streaming models GPT-Realtime-Translate and GPT-Realtime-Whisper — a new set of audio capabilities for the next generation of voice interfaces.
OpenAI API 推出了新的实时语音模型，能够进行推理、翻译和语音转录。这些模型显著提升了语音交互的自然度与智能水平，支持实时处理与多语言转换。新功能旨在为开发者提供更强大的工具，以构建更流畅、更智能的语音应用体验。
推荐理由：语音模型不再只是‘听写’，开始能推理和翻译了，OpenAI这次API更新的几个新模型把语音智能推向更实用的阶段，做语音产品的值得赶紧试试。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：OpenRouter 突然把 TTS 和 STT 拉进了统一路由，用同一把 Key 和账单，做多模态 App 的人可以少调一个 API。更新不大，但省事。
阿里千问在PC端上线AI语音输入功能，用户通过快捷键即可在各类桌面应用中直接使用。该功能不仅支持去除语气词、纠错和格式化整理口语内容，更能基于上下文智能回复，并可直接下达创作、问答、翻译等指令。其设计逻辑超越传统语音打字工具，旨在成为跨应用的AI任务调度中枢：用户通过按住快捷键启动语音输入模式，或双击切换至AI指令模式，可直接派发信息检索、文档生成等任务。该功能覆盖文档编辑、网页浏览、即时通讯等主流办公场景，无需切换客户端或打开额外窗口，目前所有用户可免费使用。
推荐理由：阿里千问把语音输入做成了跨应用的AI任务调度中枢，按住说话就能直接发指令干活，对办公族来说是个真提效的小功能，值得装上试试。
微信鸿蒙版 App 发布 8.0.17.36 正式版，安装量已达 5369 万次。本次更新聚焦视频号、听一听及支付交互功能：视频号支持资料修改、新账号注册、双击点赞及直播选项细化；听一听新增 AI 写歌与翻唱功能，并可将歌曲设为状态或跳转至 QQ 音乐；支付方面新增 Apple 服务扣费管理，收款时可选择存入零钱或零钱通。此外，还优化了头像查看、图片引用浏览、跨端文件传输及聊天框语音转文字快捷按钮等多项用户体验细节。
Uber 宣布在其全球实时交通服务平台中集成 OpenAI 技术，用于驱动 AI 助手与语音功能。新功能旨在帮助司机更智能地规划接单以提升收入，同时让乘客能够更快完成叫车流程。该技术将应用于优化实时供需匹配与用户体验。
推荐理由：Uber 把 OpenAI 的语音和助手能力搬进了打车场景，这是 AI 真正融入日常服务的一个信号，对做产品的人来说，落地路径比技术参数更重要。
ElevenLabs 宣布完成 Series D 第三次交割，新投资者包括 BlackRock、Wellington、D.E. Shaw、Schroders、NVIDIA（via NVentures）、Santander 及 Jamie Foxx、Eva Longoria 等 30 多位创意与体育界人士。
推荐理由：官方披露 Series D 第三次交割、ARR 从 3.5 亿到 5 亿美元的增长节奏和资金用途，可了解语音 Agent 商业化进展。
Sam Altman@samaAI 评分4747OpenAI 发布 Realtime Prompting Guide，指导如何为实时语音智能体编写提示词，涵盖 Realtime 2 推理、前置指令（preambles）、工具调用和精确实体捕获（exact entity capture）等关键功能。该指南旨在帮助开发者更有效地构建和优化基于语音的 AI 交互体验。
推荐理由：OpenAI官方出的实时语音代理提示指南，把preamble设计和工具调用讲透了，做语音应用的开发者可以直接照着调。
xAI@xai精选AI 评分6666
推荐理由：Grok 的语音克隆带着自然情绪上线 API，不只是复读机，而是带感情的合成。想给应用加个有人味的 AI 语音，开发者可以试试这套新接口。
xAI@xai精选AI 评分7979
推荐理由：Grok Voice API 终于支持声音克隆，关键是能带自然情感，做语音产品的开发者可以直接接入了，这是 xAI 在语音交互上的一次重要补齐。
OpenAI 重建了其 WebRTC 技术栈，以支持实时语音 AI 服务。新系统实现了低延迟、全球规模扩展和无缝的对话轮转。此次重构旨在为 ChatGPT 的语音模式等产品提供更流畅、更自然的实时语音交互体验，解决了大规模部署时面临的延迟与稳定性挑战。
推荐理由：OpenAI 把语音 AI 的低延迟秘诀摊开了，做实时语音产品的可以看看他们的 WebRTC 优化思路，虽然不太能直接抄，但方向值得参考。
xAI 为开发者推出“Custom Voices”功能，允许克隆用户声音用于AI应用。该功能基于近期发布的 Grok 语音转文本和文本转语音 API 构建，仅需一分钟的语音样本即可生成可用的声音克隆。此举扩展了 Grok 语音模型的应用场景，为开发者提供了定制化语音合成的新工具。
据报道，苹果将在WWDC 26发布macOS 27系统，首个开发者测试版于演讲后立即提供。主要新功能包括：Siri将升级为独立应用，支持查看会话历史，操作逻辑类似ChatGPT，个性化功能也将扩展至Mac；系统将为预计2027年初发布的触屏版MacBook Pro开发专属触控界面，优化手指交互体验；此外，该系统将专注于稳定性与性能改进。macOS 27将仅支持M1或更高芯片的Mac，彻底抛弃Intel平台，同时不再兼容使用AFP协议的旧存储设备如AirPort Time Capsule。
xAI@xai精选AI 评分6767
推荐理由：xAI 正式下场语音克隆，2 分钟克隆加 80 多种声音库，API 直接可调，做语音 agent 和有声书的团队得多关注一下，这对 ElevenLabs 们是个不大不小的冲击。
OpenRouter 新增两个 API 端点，分别提供语音合成（text-to-speech）和音频转录（transcription）功能，用户可通过单一接口跨多个提供商调用。
OpenRouter 现已上线文本转语音和音频转录功能。两个新端点提供跨多家提供商的语音合成与音频转录能力，统一API接入。
OpenRouter 正式上线文本转语音和音频转录功能。平台通过两个新的 API 端点，集成了多家供应商的语音合成与音频转录服务。用户现在可以统一调用单一 API，便捷访问多提供商的高质量语音生成与语音转文本能力，无需再为不同服务商单独集成。这简化了开发流程，为应用添加语音交互与内容转录功能提供了更高效的一站式解决方案。
推荐理由：OpenRouter把语音合成和转录也接进来了，以后做语音应用的开发者可以少对接几个API，这是把‘省事’写进DNA的典型更新。
τ-voice 是一个针对实时语音智能体的新基准，包含零售、航空和电信领域的 278 项接地气客服任务。该基准将确定性端到端任务评分与可控的真实音频（多样角色、环境噪音、自由轮次切换）相结合。
推荐理由：我觉得这是目前最接近真实客服场景的语音agent基准，278个任务覆盖零售、航空、电信，可控噪声和口音，做语音agent的团队可以直接拿来评测。
安克将于5月22日发布其首款神经网络存算一体AI音频芯片“ANKER Thus”。该芯片采用CPU与存储合一的架构，旨在提升算力，以实现端侧实时音频AI功能。同期，安克将推出搭载此芯片的旗舰耳机产品。根据海报信息，该耳机为入耳式设计，充电盒外观圆润，且正面可能配备一块屏幕，具体规格尚未公布。
xAI 推出 Custom Voices，录制约一分钟自然语音即可在不到两分钟内克隆出可投入生产的语音模型，适用于 Grok Text to Speech 和 Voice Agent API。
推荐理由：原文给出克隆流程、验证机制和定价细节，读者可判断这项语音克隆能力是否适合接入自己的应用。
钉钉正式发售DingTalk A1 Pro“充电宝版录音卡”，定价1299元。该产品采用卡片式设计，厚度仅6.4mm，内置行业首发的MEMS指向麦克风，拾音距离可达10米。其配备2980mAh电池，支持连续录音180小时、待机180天，并可作为磁吸移动电源为手机充电。购买用户可获6个月专属权益，每月享有1500分钟语音转文字服务。
三星智能眼镜 Galaxy Glasses 产品信息近日曝光。该眼镜外观类似太阳镜，重量约50克，搭载高通骁龙AR1处理器和1200万像素索尼IMX681传感器，支持Wi-Fi与蓝牙5.3，内置155mAh电池。设备一侧设有摄像头，另一侧有LED指示灯，并集成麦克风、扬声器及触控区，支持快速配对与电量查询。据悉，它未配备内置显示屏，主打音频与AI体验，预计运行Android XR系统并集成Gemini AI助手，可通过语音唤醒。
苹果公司将于5月4日至8日在西班牙巴塞罗那举行的ICASSP 2026上展示其最新研究成果，并再次赞助该会议。本届会议汇聚了专注于信号处理及其应用的科学与工业研究界人士。苹果的参与凸显了其在相关前沿技术领域的持续投入。
据报道，苹果公司已内部搁置新款Vision Pro头显的研发，原团队重心转向Siri和AI智能眼镜项目。Vision Pro自发布以来市场反应冷淡，总销量约60万台且退货比例异常偏高。尽管在2025年10月其升级至M5芯片并改进了头带，但3499美元的高价和超过1.3磅的机身重量仍影响佩戴体验，未能扭转需求。苹果已停止新款硬件开发工作，但会继续维护和更新visionOS系统。
ElevenLabs 发布 AI 音乐平台 ElevenMusic，将听歌、混音和原创创作整合在同一系统内，现已可在 App 和网页端使用。平台上线时已有超过 4,000 名独立和新兴艺术家在上面创作，并同步推出包含 Danger Twins、Justin Love 等艺人曲目的 Eleven Album Vol. 2，用户可对曲目换风格、调节奏或重新演绎。
推荐理由：原文给出了平台的核心玩法和创作者收益机制，读者可以了解听歌、混音与创作如何被整合为一条链路。
谷歌翻译迎来20周年，目前支持近250种语言和逾6万个语言对，覆盖全球约95%人口。官方推出发音练习功能，在安卓版应用中利用AI分析用户语音并提供即时反馈，帮助改善发音，该功能已在美国和印度上线，支持英语、西班牙语和印地语。数据显示，谷歌翻译最常用短语为“谢谢”，其他热门查询包括“你好吗？”、“我爱你”、“你好”和“请”。
据报道，苹果将在 iOS 27 系统中全面重构 Siri，旨在通过深度集成将其打造为用户的全天候智能伴侣，显著增强 AirPods 的交互体验。新版 Siri 将采用类似 ChatGPT 的对话式交互，利用大语言模型理解上下文与用户意图，并能深度控制系统及应用，自动执行多步骤任务，同时支持接入第三方 AI 平台。此次升级致力于提供无缝、连续的对话体验，解决当前 Siri 与第三方 AI 交互生硬、割裂的问题，让用户通过 AirPods 即可便捷唤醒和使用更智能的语音助手。
