Windsurf 发布 Wave 11：支持语音输入与检查点，浏览器能自抓 DOM
本周早些时候，Windsurf 发布 Wave 11 更新。其 AI 助手 Cascade 现已支持语音输入、对话命名检查点以及跨对话引用，并能直接调取浏览器标签页截图和 DOM 树信息。此外，备受好评的规划模式已改为默认开启，JetBrains 插件也同步获得了对应功能补齐。
AI语音
查看更新的新闻
OpenAI 升级 macOS 客户端：全球 Plus 用户可用「录音模式」
OpenAI 宣布面向全球 ChatGPT Plus 订阅用户开放 macOS 桌面端的「录音模式」。该功能可捕捉会议、头脑风暴或语音备忘录，ChatGPT 不仅能完成转录和核心提炼，还能直接转化为后续待办、方案或代码。
Mistral 开源语音模型 Voxtral：超越 Whisper，支持语音直调函数
Mistral AI 开源发布语音理解模型 Voxtral，推出 24B 与 3B 两个 Apache 2.0 版本。它支持 32k 上下文与 40 分钟长音频，能直接从语音触发函数调用，转录表现全面击败 Whisper large-v3，API 价格仅同类竞品一半。
Meta 收购语音初创 PlayAI：全员加入，押注智能体与穿戴设备
Meta 确认收购语音 AI 初创公司 PlayAI，交易金额未披露，其整个团队将于下周加入。备忘录显示，PlayAI 逼真的人声生成技术将用于 Meta AI、虚拟角色、穿戴硬件及音频内容制作。Meta 正在加紧补齐多模态交互中最核心的语音拼图。
游戏演员罢工一年终落幕：95% 赞成票通过 AI 保护协议
美国演员工会 SAG-AFTRA 投票通过新协议，正式结束长达一年的游戏演员罢工。协议规定游戏大厂使用 AI 生成演员的数字替身或动作捕捉数据时，必须获得知情同意并给予合理补偿，同时大幅提高了基础薪资。
Deepgram 发布 Saga：让开发者用嘴写代码，省去切屏打字
Deepgram 发布面向开发者的语音系统 Saga。它能直接嵌入 Cursor、Windsurf 等环境，让开发者动嘴就能生成提示词或更新 Jira 与 Slack 状态。这相当于把语音变成系统级入口，减少频繁切屏带来的效率损耗。
Google Veo 3 支持图生音视频：一张图片即可开口说话
Google 宣布在 AI 影视制作工具 Flow 中升级 Veo 3，正式支持在「图生视频」中直接生成角色语音对话。用户只需提供第一帧图像，就能驱动角色动作并生成配套台词，显著改善了角色一致性。同时 Flow 扩展至全球 140 多个国家。
WhatsApp 为大型企业上线语音通话：支持接入 AI 客服
Meta 宣布为 WhatsApp 商业套件推出大型企业语音通话 API，支持用户与商家双向语音呼叫。这为接入 AI 语音智能体铺平了道路，企业可借此搭建自动化客服；此外，Meta 还在测试 AI 商品推荐功能。
传苹果考虑用 Anthropic 或 OpenAI 替代 Siri 自研大模型
据彭博社报道，苹果正考虑引入 Anthropic 或 OpenAI 的大模型来驱动新版 Siri，以挽回自研 AI 的落后局面。苹果已与两家接洽，探讨在自家私有云部署外部模型。若成真，标志着苹果 AI 策略的重大转向，但据传这已打击了内部自研团队的士气。
ChatGPT 上线 macOS 录音模式：开会不用记笔记，AI 自动提炼待办
OpenAI 宣布在 macOS 桌面端为 ChatGPT Pro、Enterprise 和 Edu 用户上线「录音模式」（Record mode）。用户可以直接在客户端内录制会议或灵感，AI 会实时转写、提炼核心要点并生成待办清单，直接省去人工记笔记的麻烦。
Google 上线 Search Live：直接用语音和搜索引擎实时连麦
Google 在移动端上线 Search Live。它基于定制版 Gemini 模型，支持与搜索实时语音多轮对话，屏幕还会同步给出网页链接并支持后台运行。最值得关注的是搜索方式从打字变成边聊边查。目前仅限美国 Labs 用户测试。
OpenAI 推出官方播客：首期 Sam Altman 畅谈 AGI 与 GPT-5
OpenAI 正式推出官方播客节目《OpenAI Podcast》。首期由 Andrew Mayne 对话 Sam Altman，重点聊了 AGI、大家催更的 GPT-5、数据隐私以及后续发展。这意味着 OpenAI 也有了属于自己的长对话阵地，直接对外输出技术路线和最新动态。
ElevenLabs 推出 v3 音频标签：打标签就能控制 AI 说话节奏与停顿
ElevenLabs 为 Eleven v3 推出音频标签功能，让创作者直接在台词中插入标签控制语速、停顿和重音。比如写上 [pause]、[rushed] 或 [stammers]，AI 就会配合改变停顿与语气。不过目前该功能对专业声音克隆（PVC）支持尚不完善。
Google 搜索测试音频概述：Gemini 把搜索结果直接「读」给你听
Google 在 Search Labs 推出实验性功能 Audio Overviews。它借助最新 Gemini 模型，能将特定搜索结果转成简短的对话式语音概述，并在播放器中附上参考网页。适合多任务或不想盯屏幕时快速了解陌生主题。
SAG-AFTRA 敲定游戏协议：用 AI 做数字替身须同意，实时生成给 7.5 倍薪酬
SAG-AFTRA 公布游戏行业暂定协议细节。资方使用演员声音、肖像或动作训练 AI 必须获得知情同意；若将数字替身用于游戏内的实时语音聊天机器人，演员将享有至少 7.5 倍最低报酬。这场围绕生成式 AI 的罢工持续 320 天后，终于定下了具体赔偿底线。
ChatGPT Projects 迎来更新：支持深度研究、语音模式及跨对话记忆
OpenAI 宣布升级 ChatGPT 的 Projects 功能，加入深度研究与语音模式支持。此外，项目内记忆能力得到优化，可以直接引用过去的对话记录；移动端也补充了文件上传和模型选择功能。
三星 Bespoke AI 冰箱升级：听声音认家庭成员，还能帮你找手机
Samsung 为 2025 款 Bespoke AI 冰箱推送更新，Bixby 助手开始支持多人语音识别。冰箱能凭声线辨识不同家庭成员，自动切换专属日程、照片或无障碍显示模式，还能帮找手机。更新率先推送给配有 Family Hub 大屏的型号。
ChatGPT 高级语音大更新：语气更自然，还能连着当同传
OpenAI 升级了 ChatGPT 的高级语音模式，面向所有付费用户开放。新版声音更自然，能呈现停顿、重音以及讽刺和共情等细微情绪，还能当作连续翻译助手使用。不过官方也提醒，偶尔仍会出现音调波动或杂音乱码等小毛病。
苹果 WWDC 2025 曝光：Apple Intelligence 迎实时翻译与开发者工具
据彭博社报道，苹果计划在 WWDC 2025 上重点为 Apple Intelligence 更新跨系统翻译与开发者工具。用户将支持信息自动翻译、电话与 AirPods 实时对话翻译；开发者则可直接调用 Genmoji 等 AI 能力。具体细节预计于 6 月 9 日揭晓。
ElevenLabs 发布 Eleven v3 Alpha：支持情感控制标签与 70 多种语言
ElevenLabs 推出文本转语音模型 Eleven v3 的 Alpha 测试版本，进一步提升语音的情感表达与上下文感知能力。模型支持 70 多种语言与单次最高 5000 字符输入，并引入音频标签来直接控制耳语、笑声等情绪语气。这意味着创作者无需专业配音演员，就能生成富有情绪起伏的多语言角色对话。