Google 翻译引入 Gemini：支持 70 多种语言实时对话与口语对练
Google 宣布为 Google 翻译应用上线两项由 Gemini 驱动的新功能：支持 70 多种语言的实时双向语音翻译，以及可自适应水平的个性化听力口语练习。实时翻译能识别停顿与语调并在嘈杂环境抗噪，练习功能则提供场景化对话。目前实时翻译面向美、印、墨开放，练习功能向部分语种测试。
AI语音
查看更新的新闻
Google NotebookLM 升级：视频概览支持 80 种语言，音频体验看齐英文
Google 宣布 NotebookLM 的视频概览支持 80 多种语言，能把资料直接转成可视化视频演示。同时，非英语音频概览从短版摘要升级为长篇深度讨论，质量看齐英文版。新功能即日起向全球用户推送。
特斯拉中国接入 DeepSeek 与豆包：上线语音助手「Hey Tesla」
Tesla 在中国推出全新 AI 语音助手，由字节跳动豆包负责车控与导航、DeepSeek 负责闲聊问答。系统首发搭载于 8 月上市的六座版 Model Y L，支持「Hey Tesla」免按键唤醒。Tesla 试图借本土模型补齐座舱短板，追赶国内竞品。
Runway 为 Act-Two 上线 Voices：角色动作与声音能一起调了
Runway 宣布在 Act-Two 中加入 Voices 功能。创作者现在不仅能用动作驱动画面，还能直接调整发声表现，让声音贴合生成的角色。Runway Academy 当天同步上线了对应教程。
Google 发布 Gemini for Home：支持复杂连续指令，替代经典语音助手
Google 发布新一代智能家居助手 Gemini for Home。它能理解像「除了卧室其他灯全关」这类复合指令，还引入了支持随时打断的 Gemini Live 连续对话。它将提供免费和付费版本，逐步取代现有的 Google Assistant，10 月开启早期测试。
Google 升级 Gemini Live：看懂镜头还能在屏幕标重点，语音更有人味
Google 升级 Gemini Live，加入实时视觉指引功能，打开摄像头就能直接在画面上圈出推荐物品。同时打通 Calendar、Keep 等原生应用并升级语音表现力。视觉功能将于 8 月 28 日随 Pixel 10 率先落地并逐步推向 Android 与 iOS。
Google 盘点 Pixel 10 的 9 大 AI 功能：跨应用串联与端侧声音翻译
Google 公布 Pixel 10 系列的 9 项 AI 新功能。新机搭载 Tensor G5 芯片与 Gemini Nano，新增跨应用提供信息的 Magic Cue、通话实时克隆声音翻译等特性。这套功能主打端侧隐私运算，让手机能更主动地替人处理杂务。
ElevenLabs 上线 Eleven v3 alpha：支持多人对话与音频标签情绪控制
ElevenLabs 宣布将新一代语音模型 Eleven v3 (alpha) 接入 API。该版本支持 70 多种语言，并新增支持无限发言人数的多人对话模式，能自然处理插话和语气转换，还能通过音频标签精细调节情绪。
Meta 升级 Reels 翻译工具：用创作者原声自动配音，连口型也能对上
Meta 扩大 Reels 的 AI 翻译工具权限，能自动为短视频配音并同步口型。系统会保留创作者本人的音色与语调，首批支持英西互译。目前向粉丝超 1000 人的 Facebook 创作者及 Instagram 公开账号开放。
ElevenLabs 上线 Chat Mode：语音智能体也能打字了
ElevenLabs 推出纯文本交互功能 Chat Mode。该模式专为需要精准输入订单号、邮箱或用户不方便开麦的场景设计。已有语音智能体可通过 SDK、API 或单行 HTML 一键开启，补齐了打字与通话混合交互的能力。
Google Docs 上线 Gemini 朗读功能：支持自然人声与变速，文档能「听」了
Google 宣布在 Google Docs 中推出由 Gemini 支持的文档朗读功能。用户可在「工具 > 音频」菜单中点击「收听此标签页」，自由切换不同自然人声并调节播放语速，方便边听边读或挑错。该功能正面向 Workspace 商业版、企业版及 Gemini 订阅用户推送。
NVIDIA 开源百万小时语音数据集 Granary，以及两款多语言模型
NVIDIA 联合卡耐基梅隆大学等开源多语言语音数据集 Granary，涵盖约 100 万小时音频与 25 种欧洲语言。同步上线的 Canary-1b-v2 转录准确率登顶 Hugging Face 榜首，Parakeet 模型则主打高吞吐实时转录，大幅降低小语种语音 AI 的开发门槛。
传苹果规划 AI 智能家居版图：桌面机器人、拟人化 Siri 与智能屏
据彭博社报道，苹果正推进多款 AI 硬件研发，包括配有机械臂的桌面机器人、智能屏与安防摄像头，瞄准 2026 至 2027 年上市。工程师正从零重构代号 Linwood 的新 Siri，并计划加入名为「Bubbles」的拟人化角色。
iOS 26 测试版曝光新功能：同时按捏两侧 AirPods，或可触发面对面实时翻译
9to5Mac 在 iOS 26 开发者测试版代码中发现新系统素材，显示用户可通过同时捏住两只 AirPods 耳机柄触发翻译功能。该手势与翻译 App 关联，适配第二代 AirPods Pro 和第四代 AirPods，用于现实对话。目前支持的具体 iPhone 机型尚未确认。
MiniMax 上线 Speech 2.5：支持 40 种语言的高拟真声音克隆
MiniMax 正式上线新一代语音模型 Speech 2.5。新模型覆盖 40 种语言，主打告别机械音，能够在声音克隆中还原口音、年龄与丰富情绪。对于跨国内容创作者和出海应用开发者来说，多语言配音的门槛又降低了一截。
微软高管展望 2030 年 Windows：全面转向语音与多模态，告别键鼠时代
据报道，微软副总裁 David Weston 描绘了 2030 年 Windows 的愿景。未来的电脑将能看懂我们所见、听懂我们所听，交互以多模态和语音为主，传统的鼠标打字将变得像如今看 MS-DOS 一样陌生遥远。
Yelp 上线 AI 拼接短视频：抓取用户评价和照片，自动生成探店解说
Yelp 在 iOS 应用全美上线 AI 生成的餐厅短视频。系统利用 OpenAI 撰写解说脚本、ElevenLabs 生成旁白配音并自动拼接用户的真实图文。不过商家目前无法提前预览，普通用户也暂不能禁止自己的照片被选用。
罗彻斯特大学新研究：读一句英文，AI 筛查帕金森病准确率达 85.7%
罗彻斯特大学团队在《npj Parkinson's Disease》发表成果，受试者对着麦克风朗读一句包含所有英文字母的例句，融合三种语音模型的 AI 就能以 85.7% 的准确率筛查出帕金森病，表现优于非专科医生。该技术有望用于居家初筛，但目前假阴性率约 25% 且仅支持英语。
Sam Altman 做客 Theo Von 播客：不能慢下来，但人类依然是主角
Sam Altman 做客 Theo Von 播客节目。面对技术发展过快和失业焦虑，Altman 直言 AI 研发竞赛无法减速，否则主导权会落入他人之手。但他认为，即便大量工作被替代，人类也会重新找到意义并保持「主角」地位。
Hume AI 发布 EVI 3：不仅克隆声音，连说话风格也能模仿
Hume AI 推出新语音到语音模型 EVI 3 及配套 TTS。该模型不仅能复刻音色，还能克隆用户的说话风格与语言表达习惯。Hume 将其称为「个性克隆」，意味着语音 AI 正在从单纯仿声走向全方位的拟人交互。