Meta Muse 上线实时语音与动态分身：支持打断，提供数百种声线
Meta 在移动端、网页端和 Mac 的 Muse 应用上线实时语音与虚拟分身。AI 会伴随对话呈现微表情和手势，支持随时打断，并提供数百种声音风格。最值得关注的是能让人摆脱提示词直接口头构思。目前先面向美国用户推出，之后将登陆 AI 眼镜。
AI语音
Google Antigravity 更新：接入 Gemini Live 语音，支持云端 Agent
Google 旗下 Antigravity 迎来 v2.29.0 更新，接入 Gemini Live 驱动的语音模式，允许直接用语音与工具对话并派发任务。此外，面向 Google AI Ultra 和 Pro 订阅者推出远程智能体，云项目对话无需在本地运行。目前新版本正逐步灰度推送。
Bayworks 推出修车应用：技师口述即可自动生成车企质保报告
Bayworks 推出一款语音应用，汽车技师口述维修过程即可自动生成符合车企质保索赔格式的报告。若遗漏关键测量数据，应用会在提交前提醒补充，并完整保存录音记录。该团队在 110 天内已进驻 80 多家经销商，每天处理 4000 起维修。
Apple Watch 开启常驻音频智能：双击表冠回溯 15 秒对话，Siri 自动做摘要
Apple 在 watchOS 27.3 开发者测试版中上线「音频智能」功能。用户双击数码表冠即可查看过去 15 秒对话的文字记录，Siri 还能自动提取交谈要点并生成摘要。苹果称原始音频仅在专用硬件中处理且不落地保存，目前仅限开发者测试。
Hume AI 推出 Audio Decision API：直接听音频判情绪，几分钟搜 4 万条录音
Hume AI 推出 Audio Decision API，直接输入原始音频即可回答关于情绪与声音的自定义问题。它无需转文字或重新训练，能识别客户语气、找出叹气片段，几分钟内可检索 4 万条录音。最值得关注的是，这让语音 Agent 终于能捕捉文字里没有的潜台词。
Audio8-TTS-Realistic 开源：6 亿参数，几秒音频即可克隆 23 种语言
Edge0 开源文本转语音模型 Audio8-TTS-Realistic，仅 6 亿参数、体积 2.6GB。它只需几秒参考音频即可完成零样本声音克隆，支持 23 种语言。模型采用 Apache 2.0 许可证允许商用，低配消费级 GPU 也能轻松运行。
NVIDIA 开源 Nemotron 3.5 Transcribe：能认 8 人说话，可用提示词控制
NVIDIA 发布开源语音大模型 Nemotron 3.5 Transcribe。它把转录、区分说话人、翻译和语音问答装进同一个模型，支持 40 种语言转录与 1 小时长音频，最多区分 8 位发言者。模型采用 MoE 架构，300 亿总参数每次仅激活约 40 亿，在多项开源基准上登顶。
Bygga：把宜家说明书变成可互动的 3D 动画，还能动嘴翻页
开源项目 Bygga 上线，输入宜家货号即可将纸质说明书转换成可旋转、可朗读的 3D 线稿步骤。它内置 1171 款产品且离线可用，支持拼装时动嘴喊「下一步」免翻页，还可用 Together AI 扫描补充说明书。代码以 MIT 协议开源。
腾讯混元开源 Hy-SimulMT：3 秒延迟中英同传，还能实时克隆人声
腾讯混元开源中英双向实时同声传译模型 Hy-SimulMT。它能在发言时同步输出翻译文本与语音，流式延迟约 3 秒，并支持保留发言者音色的实时声音克隆。官方已开放推理与微调代码，评测显示其表现接近专业同传。
Block 发布语音模型 Dessa：不靠文本直接听音学说话，连呼吸声都会
Block 发布原生实时语音模型 Dessa，不依赖文本中转或预训练，直接从人类语音中学会对话、语气与情绪。模型支持全双工实时插话，且可本地运行于消费级电脑。不过目前尚未公开，仅对 AI 安全研究人员开放测试申请。
清华开源音视频提取模型 Falcon：看嘴型抽离人声，直连腾讯会议
清华团队开源目标说话人提取模型 Falcon。它将摄像头画面与麦克风声音对应，靠追踪嘴部在嘈杂环境中实时提取指定人物语音，可训练参数仅 50 万。配套的 Falcon Studio 支持在笔记本本地运行，并能通过虚拟音频设备直连腾讯会议或 Zoom。
Gradium 推出端侧 TTS 模型 phonon-31m-en：64.5 MB，浏览器本地就能跑
Gradium 团队开源了轻量级英文语音合成模型 phonon-31m-en。基于 Pocket TTS 与 Mimi 编解码技术，8 位量化权重仅 64.5 MB，支持边生成边播放的流式输出，普通笔记本 CPU、手机乃至浏览器标签页内无需联网即可运行，且遵循 Apache 2.0 协议开源并支持商用。
ElevenLabs 上线全新默认声音：携手专业配音员，音质更清晰且风格更多元
ElevenLabs 在语音合成与 Projects Alpha 中上线了全新默认声音。这批声音由专业配音演员合作录制并授权，基于专业声音克隆技术训练，音质更清晰，且新增了爱尔兰、意大利等口音与更丰富的表演情绪。官方表示不持有这些声音的版权，并在探索按生成次数向配音演员分润的新模式。
ElevenLabs 推出 Chimera：把 AI 语音与视频生成打通成一条工作流
ElevenLabs 推出新平台 Chimera。它将平台原有的拟真语音、配音功能与 Seedance 等视频生成工具整合在一起，创作者和企业可以直接在 ElevenLabs 应用内定制声音并搭建完整的 AI 音视频制作流程。
Underdog 开源 Bark 3.0：163MB 语音模型，5 分钟音频半秒转完
本周，Underdog 在 Hugging Face 开源语音转文字模型 Bark 3.0，体积仅 163 MB，在苹果 M 系列芯片上转写 5 分钟音频仅需半秒。它的英文会议错误率明显低于 Whisper Large，Clean 版本还能自动过滤掉口头禅。不过目前仅支持英文。
Mistral 发布 Voxtral 3：打通听想说全流程，支持 50 多种语言
Mistral 发布 Voxtral 3 语音模型系列与语音智能体 SDK。它将转写、推理、工具调用与语音合成打通为实时流式管线，单轮响应低于 1 秒。模型支持超 50 种语言转写与情绪自适应朗读，支持私有化部署。
Yelp 推出新功能：不想打电话，让 AI 替你问餐厅等位时间
Yelp 上线 AI 语音功能 Check for Me。用户在餐厅主页输入人数与手机号后，AI 智能体会代打电话询问等位时长并短信同步结果。应用还打通了 OpenTable 订座，并上线了商家端月费 30 美元的自动线索跟进工具。
蚂蚁集团开源 Ming 3.0 TTS：用自然语言调音，支持多人播客与商用
蚂蚁集团开源文本转语音模型 Ming 3.0 TTS，支持自然语言调音、声音克隆与多人播客生成。模型提供约 3GB 和 18GB 两个版本，小版本可在消费级显卡本地运行，发音准确率居开放模型前列；全部采用 MIT 协议，允许商用。
亚马逊 Bee 发布两款 AI 硬件：74.99 美元起，主打对话记录与总结
亚马逊旗下 Bee 推出两款个人 AI 记录设备 Frontier 与 Eclipse，起售价 74.99 美元。它们能记录日常对话并自动提炼待办事项、同步日程，直接对标竞品 Plaud Note 但价格腰斩。原始音频处理后即焚，转录内容由设备端控制密钥加密。
xAI 发布 Grok Voice 3.0：延迟不足 1 秒，已接管 Starlink 七成客服
xAI 发布语音大模型 Grok Voice 3.0。其端到端延迟压缩到 1 秒以内，在 Artificial Analysis 语音榜单拿下 86.9 分排第一。该模型已接入特斯拉车载系统，并在 Starlink 每天 2 万通客服电话中自主解决约 70% 的诉求。API 维持每分钟 0.08 美元。