语音与音频

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。

xAI于2026年4月30日推出自定义语音和语音库功能。用户可通过约1分钟录音快速克隆声音，并在Grok文本转语音及语音代理API中即时使用，整个过程仅需2分钟。语音库提供集中管理平台，内置语音已超80种，支持28种语言。为确保安全，系统采用两阶段验证，包括实时转录匹配和说话人嵌入确认，以防止未经授权的克隆。这些功能适用于品牌代理、内容创作、无障碍辅助、多语言团队及游戏娱乐等多种场景，且使用自定义语音无需额外费用。

微软开源了前沿语音人工智能项目VibeVoice，该项目已在GitHub上发布。VibeVoice能够生成高度自然、富有表现力的语音，支持多种语言和情感语调，显著提升了合成语音的真实感与感染力。其开源策略旨在推动语音AI领域的协作与创新，降低开发门槛。该项目在技术社区获得关注，在Hacker News上获得了103个投票点数。

xAI发布旗舰语音模型Grok Voice Think Fast 1.0，专为客服、销售等领域的复杂多步骤工作流打造。该模型在τ-voice Bench全双工语音排行榜位列第一，能在电话音频、噪音、口音及频繁打断等真实苛刻条件下稳定运行，并原生支持25种以上语言。其核心优势包括精准的数据录入与复述、实时后台推理不增加延迟，并能通过思考避免错误回答。目前该模型已应用于Starlink的销售与客服，实现了20%的电话销售转化率和70%的客服自主解决率，能跨数百个工作流调用28种工具处理硬件故障排查、换货等高风险任务。

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。

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。

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。

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。

阿里通义千问团队发布Qwen3.5-Omni，模型拥有数百亿参数和256k上下文，基于超1亿小时音视频数据训练，在215项基准测试中达SOTA水平，关键音频任务超越Gemini-3.1 Pro。采用混合注意力MoE架构，支持10小时音频与400秒720P视频理解。提出ARIA技术优化流式语音合成稳定性，支持10种语言。模型具备Audio-Visual Vibe Coding能力，可直接基于音视频指令生成代码。

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。

Audio Flamingo 系列发布下一代模型 AF-Next，支持长达 30 分钟的复杂音频输入，并引入 Temporal Audio Chain-of-Thought 技术，将中间推理步骤显式对应到时间戳。该模型基于超过 100 万小时的新增数据进行课程式训练，在 20 个音频理解与推理基准测试中显著超越同规模开源模型，部分指标超过更大规模的闭源模型。团队同步开源了 AF-Next-Instruct、AF-Next-Think 和 AF-Next-Captioner 三个变体。

美团 LongCat 团队开源的扩散式 TTS 模型摒弃传统的 mel-spectrogram 中间表示，直接在波形潜空间操作，仅通过 Wav-VAE 与扩散骨干网络即可合成语音。该模型修复了训练-推理不匹配问题，并以自适应投影引导替代无分类器引导。最大版本 3.5B 在 Seed 基准实现 SOTA 零样本语音克隆，说话人相似度（SIM）在 Seed-ZH 达 0.818、Seed-Hard 达 0.797，超越此前最优的 Seed-TTS。研究还发现 Wav-VAE 的重建保真度与最终合成质量并非正相关。

Gemini 3.1 Flash Live 已上线 Google 全系产品，提供更自然、可靠的实时音频 AI 交互能力。