Audible 推出 AI 听书制作工具：提供 100 多种音色，还能跨语言克隆声线
Audible 面向出版商推出 AI 制作方案，提供 100 多种英、西、法、意多口音 AI 音色，支持托管与自助生产。今年晚些时候还将测试 AI 翻译，包括能保留原配音声音与风格的语到语翻译。音频制作门槛将大幅降低。
AI语音
查看更新的新闻
Nvidia 开源语音模型 Parakeet-TDT-v2：1 秒转录 1 小时音频
Nvidia 在 Hugging Face 开源语音识别模型 Parakeet-TDT-0.6B-v2。参数量 6 亿，在自家 GPU 上仅需 1 秒就能转录 1 小时音频，登顶开源 ASR 榜单。最值得关注的是其采用 CC-BY-4.0 协议，允许开发者免费商用。
NotebookLM「播客概览」支持超 50 种语言：多语种资料直接讲中文
Google 宣布 NotebookLM 的音频概览现已支持超过 50 种语言。借助 Gemini 的原生音频能力，设置里新增了「输出语言」选项。也就是说，哪怕同时喂给它葡语视频、西语论文和英文资料，它也能全用你选定的语言聊出一期播客。
Meta 推出独立 Meta AI 应用：内置 Llama 4 与全双工语音，接管智能眼镜
Meta 推出基于 Llama 4 的独立 Meta AI 应用。新应用主打语音交互，内置全双工语音 Demo，并直接合并了 Ray-Ban Meta 智能眼镜的控制功能。最关键的是，它能结合 Facebook 和 Instagram 偏好提供个性化回答。语音功能先在美加澳新上线。
Yelp 推出 AI 接线员：帮餐厅接电话、订座并拦截骚扰
Yelp 宣布推出面向餐厅与本地服务商家的 AI 电话接听功能。该系统能帮餐厅自动处理订座、排队登记、解答常见问题并拦截垃圾骚扰电话。最值得关注的是，它试图让忙碌的小商家不再漏接潜在客源，不过该功能目前仍在开发阶段。
Ray-Ban Meta 眼镜全量推送实时翻译：支持 4 语互译且可离线
Meta 宣布向所有发售市场的 Ray-Ban 智能眼镜用户全量推送实时翻译功能。该功能支持英语、法语、意大利语和西班牙语之间的语音互译；用户只要提前下载语言包，没有网络也能离线使用。此外，通过眼镜收发 Instagram 消息等功能也即将上线。
xAI 推出 Grok Vision：手机镜头对准现实物体就能问，iOS 先上
xAI 宣布为 Grok 推出视觉功能 Grok Vision，拿手机对准商品、标志或文档就能直接提问，语音模式也同步加入了多语言与实时搜索。目前视觉功能仅限 iOS 端 Grok 应用，Android 用户暂未开放。
两名大学生零预算造出 Dia：16 亿参数开源语音模型直逼 ElevenLabs
韩国团队 Nari Labs 开源了文本转语音模型 Dia。该模型由两名几乎没有 AI 经验的本科生在零外部融资下开发，参数量为 16 亿，支持情绪语调、多说话人及笑声、咳嗽等副语言表达，对比测试表现逼平甚至超越 ElevenLabs。这也印证了个人开发者叫板行业巨头的可能性。
PlayAI 推出变声器 Voice Changer：用 10 秒音频克隆任意声音
PlayAI 推出 Voice Changer。只需提供 10 秒音频样本，就能将声音转换为目标声音，并保留原有情绪与语调。该功能支持手机端即时运行，主打单次录音变出多种声音，降低配音制作成本。
ElevenLabs 升级对话 AI：支持不同专属智能体间无缝转接通话
ElevenLabs 宣布 Conversational AI 支持在智能体之间无缝转接通话。企业内不同团队可以并行开发专属 Agent，各自搭载独立的知识库与工具。这意味着复杂的企业语音流程不用再塞进一个大杂烩模型，分工协作更清晰。
把肖像权卖给 AI 公司后，演员后悔了：分身被用来推销假药与搞宣传
据法新社报道，多名演员将面孔与声音授权给 Synthesia 等 AI 视频平台后，发现自己的数字分身被用于虚假医疗广告、末日预言甚至政变宣传。由于签署的合同充斥着广泛且不可撤销的授权条款，他们事后根本无法要求下架视频。
Anthropic 正为 Claude 研发语音模式：最快本月上线，对标 ChatGPT
据彭博社报道，Anthropic 正准备在 Claude 中上线语音助手功能，正面迎战 ChatGPT。新功能预计最快本月推出，首发提供 Airy、Mellow 和 Buttery 三种英文音色。此前其首席产品官已确认内部正在测试语音原型。
Google 公布 DolphinGemma：把海豚叫声塞进 Pixel 手机实时解析
Google 联手佐治亚理工学院及 WDP 公布 DolphinGemma 进展。该模型基于 Gemma 架构开发，约 4 亿参数，能像预测下个单词一样预测海豚声音序列，且可直接在 Pixel 手机上离线运行。Google 计划在 2025 年夏天将该模型开源。
Google Vertex AI 凑齐多模态：上线音乐模型 Lyria，升级 Veo 2 视频编辑
Google Cloud 将文本生成音乐模型 Lyria 引入 Vertex AI 白名单预览，成为首个集齐视频、图像、语音和音乐全模态的企业平台。同时 Veo 2 增加运镜控制与视频修图，Chirp 3 支持 10 秒音频克隆声音。目前新能力均需申请白名单。
ElevenLabs 推出 MCP 服务：Claude 与 Cursor 可直接生成语音
ElevenLabs 发布官方 MCP 服务端，支持接入 Claude Desktop、Cursor 和 Windsurf。开发者在对话界面就能直接让 AI 生成语音、克隆声音或转录音频，还提供了无需本地部署的托管版。
Spotify 推出 AI 广告工具：免费生成脚本与配音，上线 SAX 平台
周四，Spotify 宣布在广告平台中集成生成式 AI 工具，美加两地的营销人员可免费生成音频广告脚本和 AI 配音。同时，Spotify 还推出了程序化交易平台 SAX，支持广告主通过实时竞价触达听众。这让品牌投放音频广告的门槛大幅降低。
AudioX 开源：不到 6GB 的全能音频模型，看视频切点自动配音
统一音频模型 AudioX 开源代码，体积不到 6GB，可直接在消费级显卡本地跑。它支持文本、图像或视频输入，能识别视频剪辑点对齐音效，还支持音频修复和续写；纯音乐音质虽非顶尖，但多模态生成覆盖极全。
脑机接口新突破：AI 将脑电波转为原声语音，延迟降至 1 秒内
本周发表在《自然·神经科学》的一项研究显示，加州大学伯克利分校与旧金山分校团队研发出新型脑机接口系统。该系统结合流式 AI 算法与脑皮层传感器，患者默念时能在 1 秒内直接合成其受伤前的原声，此前同类技术需延迟 8 秒。
Tinder 推出 AI 搭讪小游戏：语音和 AI 聊天，还能给你打分
Tinder 推出基于 OpenAI 技术的限时小游戏 The Game Game。用户可以抽取不同人设卡片，用语音与 AI 模拟邂逅并尝试约会，系统会用火焰表情打分并给出沟通建议。目前该功能仅限美国 iOS 用户限时体验。
Amazon 开启 Alexa Plus 早期访问：先上带屏设备，多项承诺功能跳票
Amazon 正式面向少数用户开启 AI 助手 Alexa Plus 的早期访问。目前它只支持 Echo Show 8、10、15 和 21 等带屏设备，能叫 Uber、写邮件或总结文档，但此前演示的语音买菜和点外卖等功能都尚未上线。