技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
197 条精选近 30 天 11 条共收录 1,509 条
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。
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。
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。
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。
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。
OpenAI@OpenAI精选ChatGPT 语音模式正式接入 CarPlay，运行 iOS 26.4 及以上版本的 iPhone 用户可在车载系统中使用语音交互功能，目前正在逐步推送中。
ChatGPT 语音模式应该可以在 Apple CarPlay 上使用
推荐理由：ChatGPT语音模式正式支持CarPlay，开车场景下AI助手随叫随到
Satya Nadella@satyanadella精选
推荐理由：Microsoft CEO 亲自发布 MAI 系列三大新模型，覆盖语音转录、合成与图像生成
Microsoft AI 宣布发布 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2 三款模型，即日起所有开发者可在 Microsoft Foundry 和 MAI Playground 使用。
推荐理由：官方同时给出三款模型的定价和 FLEURS 基准对比数据，开发者可以直接在 Foundry 上手评估适用性。
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。
推荐理由：美团开源 1B 语音克隆模型，Seed 基准超 Seed-TTS，零样本推理可用
OpenAI Developers@OpenAIDevs精选用 gpt-realtime-1.5 为新加坡诊所打造接待员演示，支持与患者自然对话，自动收集就诊信息并完成实时预约，展示语音代理在实际场景中的工作能力。
推荐理由：OpenAI 官方展示 gpt-realtime-1.5 在医疗语音预约场景的实际应用
Demis Hassabis@demishassabis精选欢迎 Gemini 3.1 Flash Live。🗣️ 我们最新的音频模型带来了更自然的对话体验，并改进了函数调用——使其更加实用且信息更丰富。以下是新功能介绍 🧵
推荐理由：Google发布Gemini 3.1 Flash Live，支持低延迟语音交互与Agent构建
Google DeepMind@GoogleDeepMind精选Gemini 3.1 Flash Live 音频模型发布，支持更自然的实时对话，函数调用能力改进，使 AI 助手更实用、信息获取更充分。
推荐理由：Google发布Gemini 3.1 Flash Live音频模型，支持更自然对话与函数调用
Google Gemini@GeminiApp精选Gemini Live 底层升级为 Gemini 3.1 Flash Live，响应更快且减少停顿，支持双倍时长对话保持连贯，可根据场景动态调整回答长度和语气。
推荐理由：Google Gemini Live 语音对话重大升级，支持更长上下文与动态语气调整
Sundar Pichai@sundarpichai精选
推荐理由：Google 发布 Gemini 3.1 Flash Live 语音模型，实时 API 已开放试用
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。
推荐理由：Google发布Gemini 3.1 Flash Live，提升音频AI自然度与可靠性
Demis Hassabis@demishassabis精选
你现在可以用 Lyria 3 Pro 创作更长的曲目了。🎶 规划前奏、主歌、副歌和桥段，构建长达 3 分钟的高保真作品。🎹
推荐理由：Google Lyria 3 Pro 支持生成 3 分钟结构化音乐，已上线 Gemini App
Cohere 发布开源 ASR 模型 Cohere Transcribe，基于 Conformer 编码器-解码器架构，参数量 2B，支持英语、法语、中文、日语、阿拉伯语等 14 种语言，采用 Apache 2.0 许可证。
推荐理由：原文给出了模型规格、WER 数据和推理吞吐表现，读者可以据此评估它在语音识别工作流中的实际可用性。
ServiceNow AI团队在Hugging Face上发布了语音智能体评估框架EVA。该框架通过标准化测试集与多模态指标，系统评估语音助手在对话理解、任务完成及交互自然度等方面的性能，旨在量化衡量智能体在复杂真实场景下的表现，助力研究人员客观比较不同模型，推动技术优化。
推荐理由：提供语音代理评估标准，帮助开发者优化模型性能和测试效率。
Mistral AI 发布 4B 参数的文本转语音模型 Voxtral TTS，支持 9 种语言，3 秒参考音频即可适配新声音。人类评测显示其自然度优于 ElevenLabs Flash v2.5 并与 ElevenLabs v3 质量相当，10 秒样本加 500 字符输入的模型延迟为 70ms。
推荐理由：官方发布首个 TTS 模型，给出了人类评测对比、延迟数据和开源权重入口，可了解其与 ElevenLabs 的实际差距。
Satya Nadella@satyanadella精选推荐理由：微软AI医疗助手落地英国国家医疗体系，临床减负从概念走向实际应用