全部 AI 动态

豆包手机助手消费者版 9 月 14 日正式发布，主打稳定性与交互体验，支持 AI 键（带指纹鉴权）、语音唤醒、屏幕问答、本地数据搜索和接入飞书妙记的录音体验。Beta 形式开放操作手机功能，并推出屏幕自动化操作声明协议 SAEP，第三方应用可声明允许或拒绝 AI 自动化操作，同步启动 30 天规则公示。首个消费者版将搭载于努比亚 NaviX Ultra，9 月 16 日发售。

ElevenLabs 为 ElevenMusic 发布 Music v2.5，称生成歌曲更饱满自然；在 47,885 组盲测对比中听众多数时候更偏好 v2.5，尤其是 R&B、Soul、Hip-Hop、Rock 和管弦乐。

OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音服务，一个 API key 可调用多家供应商的 TTS 模型。

小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，针对多人同时说话时识别率大幅下降的鸡尾酒会难题。模型采用端到端 LLM 架构，以目标说话人参考音频作为声纹提示，在多个主流多说话人测试集上达到 SOTA；单人识别性能比肩标准 ASR 模型，可拒识非目标说话人并支持思维链推理模式。代码开源于 GitHub 和 HuggingFace。

OpenAI 宣布 GPT-Live-1 上线 API，支持全双工对话、处理打断与背景噪声，可用于电话语音智能体，并将语音理解与输出整合在同一模型中以降低延迟。

OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，支持全双工同时听和说，价格为每分钟 $0.05。相比 GPT-Realtime-2.1，其全双工交互测试得分 80.1% 对 45.4%，轮次延迟从 1.4 秒降至 0.8 秒，工具调用准确率从 60% 升至 87%，银行语音支持基准通过率从 12.4% 升至 32%。

Apple 在 Apple Watch Series 12 和 Ultra 4 上推出 Audio Intelligence 功能 Siri Recaps，可总结一天中的对话，用户可按计划或在 Smart Stack 顶部开关。

作者实测网易有道新上线的语音输入法叭哥说，与 Typeless、豆包输入法、闪电说横向对比。叭哥说采用双模型分工，E2E 平均 1683ms、P95 2134ms，并支持小声拾音、个人词典即刻生效和多语言翻译等功能。

OpenAI 语音产品负责人 Atty Eleti 宣布 ChatGPT 语音模式可自由选择模型和推理深度，Pro 套餐可调用 GPT-5.6 Sol 或 GPT-6 Astra，语音模式在需要搜索或复杂推理时自动调用指定模型。

Suno 发布 v6 AI 音乐模型，是首个获得唱片业支持的版本，训练数据包含来自 Warner Music Group、BMG 和 Believe 的授权内容及用户数据。

苹果发布 AirPods 5，开放耳设计中 ANC 噪声消除量比 AirPods 4 with ANC 提升最多 50%，配备新的 multiport 声学架构和下一代 Adaptive EQ。

欧洲 AI 实验室 Desert Ant Labs 正式成立并上线首批 18 个端侧专用模型（12 个稳定版、6 个 beta），覆盖音频、视觉和文本任务，通过 Swift、Kotlin 和 JavaScript 的统一 SDK 提供，在 GitHub 和 Hugging Face 开放。

巴黎语音 AI 公司 Gradium（从 Kyutai 研究实验室分拆）推出 Voice Design，输入 1 到 500 字符的描述即可在 3 到 5 秒内生成 1 到 5 个候选语音，无需参考音频，支持英法西葡德 5 种语言，已在 Gradium API 和 Studio 全部套餐免费开放。

作者发布 Gander 技术报告，这是一个端到端模型，在单一框架内统一全模态感知、实时交互与智能体能力，支持视频、语音、文本流式输入与随时打断的全双工交互。其采用 Cerebellum-Brain 协同框架，小脑负责实时交互与对话，大脑负责复杂推理与智能体任务，并基于流式 Thinker-Talker 架构实现低延迟；模型、代码和数据将开源。

Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，将音频切分为 80 毫秒块，通过强化学习为每个词动态调整等待时间，并内置说话人区分（可同时区分 20 人以上）和句界检测。

谷歌于 9 月 5 日宣布在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，可生成含数段副歌、桥段等数分钟完整歌曲，用户可通过 gemini.google.com/music 网站和应用使用。

Ugreen 在 IFA 展会发布 HomeAgent 智能家居平台，将 NAS、监控 NVR 和端侧 AI 整合到一个中枢中，由语音助手 Uliya 管理，宣称数据全部本地处理、无月费。

人人影视更名为“人人影视分享精彩”，App 已在安卓端上线、iOS 端筹备完成，运营方为分享精彩网络科技（嘉兴）有限公司，负责人李渊敏称本月起点对点推广、力争激活 3000 万存量用户。平台依托 7 万余集影视素材样本打造 AI 影视本地化技术，实现角色音色克隆，计划覆盖 50 余个国家和地区，优先面向东南亚输出国产影视内容，片源与华数传媒合作正版购买，目前处于前期公测、月底正式发布。

微软 9 月 3 日发布语音转文字模型 MAI-Transcribe-2，称其是自家最快、最准确、最便宜的转录模型，支持 60 种语言。

Google 开始向全球移动端推出 Gmail Live、Docs Live 和 Keep Live 三项 AI 语音功能，支持免手操作查询信息、总结和转录。Gmail Live 可从收件箱口头回答问题并附邮件来源链接，Docs Live 能把口述需求整理成结构化文档并可在授权后调用 Gmail、Drive、Chat 和网页信息，Keep Live 支持自然语言记录笔记。

Microsoft AI 官方博客宣布发布 MAI-Transcribe-2 语音识别模型，称其为速度最快、准确度最高且价格最低的语音识别模型。原文未提供正文细节。