企业微信灰度上线“记录面聊”功能：声纹识别技术分辨发言人并快速记录，AI 自动总结要点
企业微信灰度上线“记录面聊”功能，该功能利用声纹识别技术自动分辨不同发言人并快速记录讨论内容，AI会在讨论后自动总结要点、列出待办事项并@对应负责人，记录对所有参与同事公开共享。此次更新随企业微信5.0.8版本一同发布，该版本还新增了智能表格、智能文档和“贴表情”快速回复等功能。智能表格可打通微信生态数据自动汇总，并加入AI字段“技能卡片”；智能文档支持轻量化排版并一键发布为“轻网页”。
#语音
IT之家·人工智能AI 评分4848 Simon Willison 博客AI 评分6464 微软开源语音转文本模型VibeVoice简介与实测
微软于2026年1月发布开源语音转文本模型VibeVoice，采用MIT许可证并内置说话人日志功能。社区提供的4位量化MLX版本约5.71GB。实测在128GB内存的M5 Max MacBook Pro上，使用mlx-audio工具处理一段60分钟音频耗时约8分45秒，峰值内存占用达30.44GB。模型默认支持最长25分钟音频，通过调整参数可处理至多1小时音频，输出为带时间戳和说话人ID的JSON格式，便于用Datasette Lite浏览分析。
OpenAI Developers@OpenAIDevsAI 评分5555你可以用gpt-realtime-1.5构建交互式应用，让用户通过语音更自然地控制应用状态。 嗨，Chappy 👋
公众号：阶跃星辰AI 评分4545 阶跃与腾讯云达成战略合作，共同打造智能座舱 Agent 助手
近日，阶跃与腾讯云达成战略合作，双方将围绕智能座舱 Agent 展开深度共创，打造全新的智能座舱 Agent 助手。该助手以语音为入口，实现免唤醒、连续对话、情绪识别的超自然交互，并能基于用户情绪、驾驶状态、环境和历史信息秒懂意图，精准推荐腾讯系音乐、视频、地图等内容与应用生态。同时，产品打通腾讯在支付、地图、出行服务等领域的生态接口，从需求直达交易闭环，为用户提供一站式服务。
IT之家·人工智能AI 评分6868 阶跃星辰发布 StepAudio 2.5 ASR 自动语音识别模型：推理速度提升 400%，定价骤减 90%
阶跃星辰发布新一代自动语音识别模型StepAudio 2.5 ASR。该模型将大语言模型的MTP（多Token预测）技术引入语音识别，采用ASR+MTP-5深度融合架构，打破传统自回归机制效率瓶颈。其推理速度提升400%，时延降低60%，峰值达500 tokens/s，5分钟音视频可近乎即时转写。模型支持端到端处理最长30分钟连续音频，无需分段，且精度无衰减。定价为0.15元/小时，较上一代骤降90%。模型已在阶跃星辰开放平台和Step Plan全量上线。
IT之家·人工智能AI 评分6060 小米发布 MiMo-V2.5-TTS / ASR 语音大模型：通过自然语言调度声音表现
小米发布全链路语音大模型系列MiMo-V2.5，包含TTS（语音合成）与ASR（语音识别）两大核心。TTS系列包含三款模型：基础版内置多款音色并支持精细控制；VoiceDesign版可一句话生成新音色；VoiceClone版能通过少量样本高保真复刻音色。三者均支持通过自然语言指令和音频标签精细调度声音表现，已在小米MiMo开放平台限时免费。ASR模型已正式开源，在中英双语、方言、强噪音及多人对话等复杂场景下的识别性能达到业界领先水平。
xAI：News精选AI 评分6767 xAI 发布语音模型 grok-voice-think-fast-1.0，已可通过 API 调用
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，现已开放 API，定位客户支持、电话销售等复杂多步语音智能体场景。模型在 τ-voice Bench 排行榜登顶，原生支持 25+ 种语言，可在后台推理而不增加响应延迟；在 Starlink 的实际部署中达到 20% 电话销售转化率、70% 客服自主解决率，单个智能体使用 28 个工具。
推荐理由：原文给出模型的核心能力设计、τ-voice Bench 排名和 Starlink 实际部署数据，读者可以据此评估其在语音智能体场景的适用性。
公众号：小米 MiMo精选AI 评分8383 小米发布 MiMo-V2.5-TTS 系列与 ASR，覆盖语音合成与识别
小米正式发布 MiMo-V2.5-TTS Series 与 MiMo-V2.5-ASR，覆盖语音识别与合成两大能力。TTS 系列含三款模型，支持风格指令遵循与音频标签控制，其中 VoiceDesign 可零参考音频生成新音色，VoiceClone 仅需数秒参考音频即可复刻音色；ASR 在中英双语、中文方言、强噪音等场景达业界领先水平。
推荐理由：把角色演出指令从参数模板简化为导演笔记式的自然语言，对有声剧和游戏NPC等依赖声音塑造的场景，定制成本与表现自由度可能同时改善。
IT之家·人工智能精选AI 评分7474 谷歌确认基于 Gemini AI 的苹果新版 Siri 今年亮相
谷歌云首席执行官在谷歌Cloud Next 26大会上确认，基于Gemini AI技术构建的新一代苹果Siri将于2026年发布。双方合作源于2026年1月签署的多年期协议，谷歌作为首选云服务商提供核心技术支持。该交易年价值约10亿美元，协议严格限制谷歌接触用户数据以保障隐私。技术层面，苹果正通过知识蒸馏将大型Gemini模型精简为可在iPhone等设备端运行的版本，旨在降低云端依赖并提升响应速度。
推荐理由：苹果终于把 Siri 大脑换成了 Gemini，每年 10 亿美金的合作不是小打小闹，这代 Siri 可能真的会变聪明。但落地得等一年，做端侧部署的可以盯一下苹果的蒸馏方案。
公众号：小米 MiMo精选AI 评分7979 Xiaomi MiMo-V2.5 系列大模型开启公测
Xiaomi MiMo-V2.5 系列正式公测，包含 MiMo-V2.5、V2.5-Pro、TTS 与 ASR 等模型。其中 V2.5-Pro 在通用智能体、复杂软件工程等维度对标 Claude Opus 4.6、GPT-5.4，曾用 4.3 小时、672 次工具调用完成北大编译原理课程项目并获满分。
推荐理由：在自主完成编译器构建和视频编辑器开发的长程任务演示中，展示了结构化的逐层搭建和自我修正能力，其效率对比数据有助于判断复杂Agent任务的成本边界。
Hugging Face 社区博客AI 评分6262 Gemma 4 VLA 在 Jetson Orin Nano Super 上的演示
NVIDIA在Hugging Face平台发布了一篇博客，展示了Gemma 4 VLA模型在Jetson Orin Nano Super边缘计算设备上的运行演示。该演示突显了大型视觉语言模型向小型、高效能边缘设备的部署能力取得进展。Jetson Orin Nano Super作为一款紧凑型AI计算平台，能够支持Gemma 4 VLA这类先进模型，预示着在机器人、嵌入式AI等实时视觉推理场景中，本地化、低延迟的多模态AI应用成为可能。
IT之家·人工智能 多邻国向免费用户开放高级语言学习内容：涵盖中英日韩等九种语言
多邻国向免费用户开放此前仅限付费订阅的高级语言学习内容，涵盖中英日韩等九种语言。该内容对应CEFR B2水平（Duolingo Score约129分），包含"高级故事"和播客式音频DuoRadio模块，帮助用户在真实语境中训练复杂情境表达，支持网页及移动端访问。用户可借此提升求职面试、海外留学等场景的语言能力，分数还可直接添加至LinkedIn档案。
IT之家·人工智能 彭博社：苹果 Siri 主管洛克威尔考虑离职，Vision Pro 功臣陷职业迷茫
苹果Siri改造负责人迈克·洛克威尔考虑离职或转任顾问。这位Vision Pro功臣因接管AI版Siri后需向软件主管费德里吉汇报而心生落差，加之Vision Pro市场表现不佳，职业前景不明朗。尽管萌生去意，预计仍将完成Siri升级项目。与此同时，硬件高管Kate Bergeron也因晋升受阻而沮丧。苹果面临特努斯接任CEO前的核心团队稳定难题。
Rohan Paul@rohanpaul_ai
引用Thine@ThineAISome things you have to do yourself, for everything else, use Thine!
IT之家·人工智能 特斯拉车机语音大模型服务在我国上海市完成备案
特斯拉车机语音大模型服务于4月20日在上海市完成备案，备案单位为特斯拉（上海）有限公司。至此，上海市累计已完成158款生成式人工智能服务备案。根据规定，已上线的生成式人工智能应用需在显著位置公示备案情况并添加生成合成内容标识。此前，特斯拉xBot客户服务已于去年11月成为全国首批获批上线的外企大模型产品。
IT之家·人工智能 大众汽车今年下半年将为中国市场车型引入 AI 语音助手功能，整合腾讯阿里百度等企业技术
大众汽车将于今年下半年为中国市场车型引入AI语音助手，整合腾讯、阿里巴巴、百度等技术，采用本地化大语言模型并在车机端完成运算，无需依赖云端。与此同时，大众与小鹏汽车联合开发的首款车型"与众08"已正式上市，售价22.99万-28.99万元，搭载800伏高压超快充平台、高通8295P芯片，具备1500TOPs智驾算力，CLTC续航最高超700公里。
IT之家·人工智能 苹果更换 CEO 原因首次曝光，希望特努斯带回乔布斯时代的决断力
苹果公司宣布，蒂姆·库克将于2026年9月1日起转任董事会执行董事长，硬件工程高级副总裁约翰·特努斯接任首席执行官。据彭博社透露，此次换帅意在借助特努斯的年龄优势，重拾乔布斯时代的决断力，推动苹果重返产品创新前沿。特努斯将集中核心决策权，并主导首款可折叠iPhone发布及Siri革新。本月他已对硬件工程部门进行AI导向的改革，以加速产品开发与质量提升。
IT之家·人工智能 微信鸿蒙版 App 获 8.0.17.16 邀测升级，听一听灰度 AI 写歌 / 翻唱功能
微信鸿蒙版App推送8.0.17.16邀测更新，测试期为2026年4月20日至5月19日。新版本支持视频号注册及资料修改，视频播放新增自动旋转功能，"听一听"模块可分享歌曲至状态并跳转QQ音乐，同时灰度测试AI写歌与AI翻唱功能。自去年1月登陆鸿蒙应用市场以来，该应用安装量已突破5000万次。
IT之家·人工智能 华为 FreeClip 2 / FreeBuds Pro 5 耳机开推鸿蒙 6.1：优化全场景体验、Pro 新增 AI 键功能
华为 FreeClip 2 和 FreeBuds Pro 5 耳机已开启鸿蒙 HarmonyOS 6.1 版本推送，版本号分别为 6.1.0.276 和 6.1.0.272。FreeClip 2 主要优化翻译速度、小艺连续对话效果及来电铃声体验；FreeBuds Pro 5 新增 AI 键智能体交互功能，支持按住说、松手答的操作方式，并新增耳机独立空间音频功能。升级需确保两只耳机及耳机盒电量均大于 20%。
IT之家·人工智能 影石 Insta360 预告无线麦克风 Mic Pro：配 E-Ink 屏、搭载 AI 降噪
影石 Insta360 在 NAB 2026 展会上预告新款无线麦克风 Mic Pro，其正面配备圆形彩色 E-Ink 电子墨水屏，支持自定义显示品牌 Logo、照片或艺术图案。该设备内置三麦克风阵列与专用 AI 处理器，实现专业级降噪录音。Mic Pro 支持直连 Insta360 相机传输音频，无需接收器，同时发射器具备机内录音功能，可作为独立录音设备使用。
IT之家·人工智能 音乐流媒体平台 Deezer 日收近 7.5 万首 AI 歌曲，占投稿量 44%
音乐流媒体平台Deezer披露，其每日接收约7.5万首AI生成歌曲投稿，占日上传总量的44%，较2025年1月推出检测工具时的1万首激增。尽管投稿量攀升，AI歌曲播放量仅占总量的1%至3%，因平台持续将其排除在推荐算法外。作为目前唯一标注AI曲目的流媒体服务，Deezer已取消该类音乐收益分成并停止存储高分辨率版本，同时开始向第三方授权其AI检测技术，可识别Udio、Suno等工具生成的作品。
IT之家·人工智能 消息称苹果 iOS 27 抛弃 iPhone 11 / Pro / Max 及 SE 2 等手机
iOS 27将终止支持iPhone 11/Pro/Max及iPhone SE 2，iPhone 12仍可升级。新系统聚焦稳定性与AI功能，新增主屏幕撤销/重做快捷开关、液态玻璃效果精细调节滑块，以及集成于灵动岛、带发光效果的Siri新界面。Visual Intelligence将支持扫描食品营养标签和识别印刷品联系方式，钱包应用与Safari浏览器也将迎来改进。
IT之家·人工智能 WIKO 情感陪伴 AI 电子宠物“智能憨憨”蜂窝版上市：华为小艺大模型加持，预售价 499 元
WIKO情感陪伴AI电子宠物"智能憨憨"蜂窝版正式发布，支持Wi-Fi与蜂窝网络双模连接，预售价499元，将于4月25日开售。相比2025年11月上市的普通版（399元），蜂窝版最大升级在于新增移动网络支持。该产品内置华为小艺大模型，适配鸿蒙5及以上系统，支持自然对话及摸头、摇晃等动作交互。
IT之家·人工智能 “何刚同款”华为 AI 眼镜发布，2499/2899 元
华为AI眼镜正式发布，提供钛银灰、流光银、摩登黑三款配色及圆形、方形两种镜框，售价2499元起，将于4月25日开售。产品采用轻量化设计，镜架仅重35.5克，镜腿薄至6.25毫米，基于超30万亚洲头形数据构建平衡架构。内置自研AI芯片，支持语音唤醒、AI交互、第一人称视角拍摄及支付宝支付等功能，综合续航达12小时，支持连续8小时通话或9小时音乐播放。
DogeDesigner@cb_dogeGrok 新的语音转文字和文字转语音 API 极其出色，且是业内最便宜的。🔥 https://t.co/UfCJrYvf8w
xAI：News精选AI 评分7272 Grok语音转文本与文本转语音API发布
xAI发布Grok语音转文本（STT）与文本转语音（TTS）两款独立API，采用与Grok Voice、Tesla及Starlink相同技术栈。STT支持批量（0.10美元/小时）与实时流式（0.20美元/小时）转录，电话实体识别词错率仅5.0%，整体6.9%，优于竞品，支持25种以上语言及说话人分离。TTS定价4.20美元/百万字符，可通过[laugh]等标签精细控制情感语调。
推荐理由：xAI 把 Grok 的语音能力拆成独立 API 放出，STT 在实体识别上碾压几个老牌竞品，定价也不算贵，做语音 agent 的可以直接加进方案里对比。
- Rohan Paul@rohanpaul_ai
- Rohan Paul@rohanpaul_ai引用Sudarshan Kamath@kamath_sutra
http://x.com/i/article/2043661447478329344
Demis Hassabis@demishassabis引用Logan Kilpatrick@OfficialLoganKIntroducing Gemini 3.1 Flash TTS 🗣️, our latest text to speech model with scene direction, speaker level specificity, audio tags, more natural + expressive voices, and support for 70 different languages. Available via our new audio playground in AI Studio and in the Gemini API! https://t.co/5PpBdhQMNg
The Decoder：AI News Google 发布迄今最具表现力的 Gemini 3.1 文本转语音模型，支持70余种语言
Google 推出 Gemini 3.1 Flash TTS 文本转语音模型，支持超过70种语言的自然语音合成。该模型引入音频标签功能，允许用户精确控制输出语音的风格、语速和语调，显著提升了语音合成的表现力和可控性，适用于多语言内容创作场景。
Google Blog：AI精选AI 评分7070 Gemini 3.1 Flash TTS：下一代表现力AI语音技术
Google正式发布Gemini 3.1 Flash TTS，作为下一代表现力AI语音技术，该模型现已全面上线Google旗下各产品线。此次升级标志着Google在语音合成领域的技术突破，旨在为用户提供更自然、富有情感表现力的AI语音交互体验，进一步强化其AI生态系统的语音能力。
推荐理由：Google 把 TTS 的控制权交给了文本指令，音频标签这个设计让语音应用从'选择预设'变成'现场导演'，对多模态应用是个实在的增强。
- Rohan Paul@rohanpaul_ai引用Anton Ponikarovskii@ponikarovskii
a few years ago I couldn't afford therapy when I needed it most. today I'm launching Lovon - an AI therapist that's private, 24/7, and actually helps you feel better. no $200 sessions. no waitlists. just open the app and talk. (sound on 🔊) https://t.co/T5jEwwefJH
字节 Seed：Research Papers精选AI 评分6666 字节 Seed 发布 Seedance 2.0 音视频联合生成模型
字节 Seed 发布原生多模态音视频生成模型 Seedance 2.0，2026 年 2 月初在中国正式上线，采用统一架构支持文本、图像、音频、视频四种输入模态。
推荐理由：官方技术报告梳理了 Seedance 2.0 的统一架构、多模态输入上限与分辨率规格，读者可对照前代看能力变化。
