MiniMax 发布 Speech-02 语音模型：支持单次 20 万字输入与亚秒级流式输出
MiniMax 推出新一代语音模型 Speech-02。模型支持将任意文件或链接直接转成拟真语音，单次文本输入上限达 20 万字，支持 30 多种语言、无限声音克隆以及亚秒级流式输出，适合制作长音频和播客。
AI语音
查看更新的新闻
ElevenLabs 上线 Actor Mode：用你自己的声音，指导 AI 怎么读台词
ElevenLabs 宣布在 Studio 中面向所有用户上线 Actor Mode。用户可以直接用自己的声音来指导 AI 声音的语调、节奏和情绪走向。最值得关注的是，这让创作者不仅能选音色，还能当「导演」精细调教台词演出了。
Krisp 推出实时 AI 口音转换：通话中把印度口音秒变美式
音频软件 Krisp 宣布上线口音转换 Beta 功能，可保留说话人原本音色，仅实时替换音素，先期支持将印度英语口音转为美式英语。官方称企业测试中销售转化率提升了 26.1%。不过媒体实测反馈声音略显不自然，偶有漏词，模型仍在持续优化。
Groq 联手 PlayAI 推出语音模型 Dialog：支持阿拉伯语，每秒 140 字符
Groq 与 PlayAI 宣布达成合作，将语音模型 Dialog 部署至 GroqCloud 平台。Dialog 引入自适应语音语境技术，能结合上下文调整语气情绪，且首发支持英语与阿拉伯语。得益于 Groq 的 LPU 芯片，生成速度达每秒 140 字符，比 GPU 快约 60%。
Otter 推出会议智能体：支持语音插话，能翻历史记录当场答疑
Otter 推出三款 AI 智能体，其中 Meeting Agent 支持在会议中进行自然语音交互。它能调取公司历史会议数据直接开口答疑，还能当场安排日程和起草邮件。目前该功能已在 Zoom 上线并逐步推送，后续将支持 Teams 和 Google Meet。
语音 AI 公司 Cartesia 获 6400 万美元 A 轮融资：上线 Sonic 2.0
实时语音 AI 初创公司 Cartesia 宣布完成 6400 万美元 A 轮融资，由 Kleiner Perkins 领投。团队将用这笔资金扩充团队并研发下一代语音模型与基建，其主打的新一代模型 Sonic 2.0 也于当天同步上线并开放免费试用。
ElevenLabs 语音转文字降价 45%：Scribe 模型限时免费
ElevenLabs 宣布将其语音转文字模型 Scribe 的大规模调用价格下调 45%，并在 4 月 9 日前通过网页 UI 提供免费试用。官方称该模型支持 99 种语言。这意味着多语言音频转写的大规模使用成本明显降低。
传 Meta 即将推出 Llama 4：主打原生语音且支持实时打断
据外媒报道，Meta 计划在数周内发布旗舰模型 Llama 4，重点升级语音功能。该模型为原生处理文本和音频的「全模态」架构，允许用户随时打断说话，体验对标 ChatGPT 的语音模式。此前 DeepSeek 的崛起也促使 Meta 全力加速研发。
ElevenLabs 联手 Google Cloud：语音 AI 上架云市场，支持 Gemini 2.0 Flash
ElevenLabs 宣布与 Google Cloud 达成合作，其语音 AI 模型现已上架 Google Cloud Marketplace。企业能直接结合 Gemini 2.0 Flash 打造低延迟的对话智能体与多语言配音，无需漫长采购即可在云端规模化部署。
Prime Video 测试 AI 配音：先给 12 部影视片补上英语与西语
Amazon 旗下流媒体 Prime Video 宣布正在测试 AI 辅助配音，首批涵盖 12 部此前缺乏配音支持的影视内容。该功能支持英语与拉美西班牙语，由 AI 配音结合人类专业人员把控质量，旨在低成本为片库补齐多语种音轨。
Perplexity macOS 版上线语音模式：按快捷键直接开口搜
Perplexity 为其 macOS 客户端上线全新语音模式。用户按下快捷键 ⌘ + ⇧ + M 即可直接开口提问和搜索，无需手动打字。通过 Mac App Store 下载或更新应用即可体验。
xAI 开放 Grok 语音模式：所有 iOS 用户均可免费使用
xAI 在 Grok iOS 应用中面向所有用户免费上线语音模式（Voice Mode），无需付费订阅即可进行语音对话。这意味着 Grok 正在降低多模态交互的使用门槛，直接在移动端与其他主流 AI 助手竞争。
德国电信联手 ElevenLabs：Magenta AI 能把新闻一键变播客
德国电信宣布与 ElevenLabs 达成战略合作，将其 Gen FM 技术接入 Magenta AI 应用。用户能在几秒内把新闻文章转成高质量沉浸式播客，或按提示词定制音频内容。德国电信同时参投了 ElevenLabs 的 C 轮融资，未来计划将语音能力扩展至更多服务。
ElevenLabs 接入 Claude 3.7 Sonnet：给语音 Agent 装上推理大脑
ElevenLabs 宣布在其 Conversational AI 平台接入 Claude 3.7 Sonnet。开发者现在可以结合该模型的混合推理能力与拟真语音，构建幻觉更少、长对话表现更稳的客服与虚拟导师 Agent。
微软发布 Dragon Copilot：融合听录与环境感知，统一医疗语音助理
微软发布医疗 AI 助手 Dragon Copilot。它整合了 Dragon Medical One 的语音听写与 DAX Copilot 的环境感知能力，支持自动生成多语言病历并处理医嘱，单次就诊可节省 5 分钟。产品预计 5 月在美加正式推出。
苹果 AI 推进受阻：对话式 Siri 或延至 iOS 20，使用率被曝极低
据彭博社最新通讯披露，苹果在 AI 落地上面临多重技术阻碍，更像 ChatGPT 的对话式 Siri 进展落后，员工认为最早要到 iOS 20 才会上线。内部数据还显示 Apple Intelligence 实际使用率极低，iOS 19 恐难见重大 AI 更新。
全球最大呼叫中心部署 AI：实时消除印度员工口音，股价却跌了 11%
据彭博社报道，全球最大外包呼叫中心巨头 Teleperformance 宣布采用 Sanas 的 AI 技术，零延迟中和印度客服员工口音。虽然高管坚称这能缩短通话时间并提升满意度，但在宣布向 AI 投入高达 1.04 亿美元后，其股价大跌 11%，市场显然对这笔巨额开支和舆论争议存疑。
Oculus创始人再创业做Sesame：拟真语音叫板主流助手，还要造AI眼镜
Oculus 前 CEO 创办的 Sesame 结束隐身状态，公布极具拟真表现力的语音技术并开放体验，同时宣布正在研发全天候陪伴的 AI 眼镜。该模型支持自然打断与流畅互动，官方计划在未来数月开源并支持 20 多种语言。
微软发布 Phi-4 小模型：支持音画同传，端侧跑出多模态
微软发布端侧小模型 Phi-4-multimodal（5.6B）与纯文本模型 Phi-4-mini（3.8B）。其中 5.6B 模型能在单架构内同时处理语音、图像和文本，并在 OpenASR 榜单以 6.14% 词错误率登顶，后续将集成进 Copilot+ PC。
Microsoft Copilot 登陆 Mac：快捷键一键唤醒，语音支持随时打断
Microsoft Copilot 正式上线 Mac 平台。新版支持使用 Option + 空格快捷键在任意应用上方全局呼出，内置播客风格的 Copilot Daily 音频资讯，其语音对话还支持随时打断和纠错。Mac 用户无需频繁切换窗口即可随手调用 AI 助手。