ElevenLabs 推出语音转文本模型 Scribe：支持 99 种语言，准确率超 Whisper
ElevenLabs 推出首个语音转文字模型 Scribe。该模型支持 99 种语言转录，提供词级时间戳、说话人分离及笑声等非语音事件标记，基准测试表现超过 Whisper Large V3。目前已开放 API 和网页端，低延迟实时版本即将上线。
AI语音
查看更新的新闻
Hume AI 发布 Octave：懂语境的 TTS，能听出讽刺与怒气
Hume AI 推出语音大模型 Octave，主打让 TTS 真正理解文本语境。它能推断台词里的反讽与恐惧，自动调整音调与节奏，还支持用提示词定制音色与表演指令。盲测中其音质与自然度评分均超过 ElevenLabs。
xAI 上线 Grok 3 语音模式：带「失控」和 18+ 人格，能爆粗口与尖叫
xAI 为 Grok 3 推出全新语音交互模式，面向高级订阅用户开放。该功能提供未过滤的「失控」与 18+「性感」等人格，不仅会爆粗口、尖叫挂断，还能模拟语音性爱。最值得关注的是，xAI 彻底放开内容审查，与 OpenAI 形成鲜明反差。
ChatGPT 免费版支持高级语音：GPT-4o mini 驱动，每天限时体验
OpenAI 宣布向所有 ChatGPT 免费用户开放高级语音模式预览，底层由成本更低的 GPT-4o mini 驱动。它的语调与对话节奏接近 GPT-4o 旗舰版，但设有每日使用限额，剩余 3 分钟时会弹出提醒，额度耗尽自动结束。
微软 Copilot 全面取消限制：免费无上限使用语音与 o1 深度思考
微软宣布向所有免费用户无限制开放 Copilot 的语音模式与 Think Deeper 深度思考功能，直接解除之前的次数与时长限制。其中深度思考由 OpenAI o1 模型驱动，支持更长的连续复杂推理。每月 20 美元的 Pro 订阅依然保留，高峰期免费版可能会遇到延迟。
Google Drive 上线视频逐字稿：支持关键词搜索，点击文字直接跳转画面
Google 宣布为 Google Drive 视频新增可搜索逐字稿功能，向所有 Workspace 用户推送至 3 月 26 日。界面类似 YouTube，侧边栏文本会随播放高亮并配有搜索框，点击文字可跳到对应画面。只要视频开启字幕即可使用，没有字幕的也可以右键一键自动生成。
Luma AI 为 Dream Machine 增加免费音频生成：一键为视频配音
Luma AI 宣布为 Dream Machine 推出「视频转音频」功能。生成视频后点击新增的「Audio」按钮，就能一键自动配音，或通过提示词指定音频效果。该功能目前处于 Beta 测试阶段，面向所有用户免费开放。
AI 互相打电话嫌费劲？Gibber Link 让智能体直接用音频信号密聊
开发者推出通信协议 Gibber Link。当两个 AI 智能体通电话并识别出彼此身份时，会自动从人类语音切换到基于 GGWave 的音频信号协议。跳过语音生成后，不仅算力开销省下 90% 以上，通话耗时也缩短了最高 80%。
Spotify 联手 ElevenLabs：支持用 AI 语音制作并上架有声书
Spotify 宣布与 ElevenLabs 达成合作，允许作者通过其 AI 语音软件制作有声书并分发上架。作者可选用 29 种语言的合成声音降低录播门槛，盘活冷门长尾书目。所有 AI 朗读作品均会标明由数字声音生成，并需经过平台审核。
Fiverr 推出个人 AI 模型：自由职业者可用自己作品训模型并对外收费
Fiverr 宣布推出「个人 AI 创作模型」，允许配音、设计等自由职业者用过往作品训练专属 AI 并向客户收费，每月 25 美元。平台还同步推出了用于自动回复客户的个人 AI 助理。这相当于让零工群体将自身技能封装成数字资产，不过首批仅向数千名认证创作者开放。
YouTube 公布 2025 规划：AI 自动配音全面开放，引入 Veo 2
YouTube 公布 2025 年路线图，将把 AI 多语言自动配音开放给合作伙伴计划的所有创作者。Shorts 的 Dream Screen 还将接入 Google 的 Veo 2 生成视频背景，并启动测试面向知名人物的 AI 肖像检测与控制工具。
Kyutai 发布同传模型 Hibiki：实时法语译英语，保留原声与语速
Kyutai 发布实时语音同传模型 Hibiki，目前支持法译英。它在实时输出语音与文本翻译的同时保留原说话者声线，并依据语义自适应调节语速。官方评估显示其自然度与音色相似度已逼近专业人类同传。
亚马逊重构 Alexa 临近亮相：化身 AI 智能体，定于 2 月 26 日预览
据路透社报道，亚马逊定于 2 月 26 日举行发布会，预览生成式 AI 重构版 Alexa。新版 Alexa 支持连续对话，能作为智能体替用户自主执行任务，底层部分采用 Anthropic 技术；初期将面向小范围用户免费测试，后续或考虑按月收取 5 至 10 美元。
逼疯电诈犯：英国电信商推出 AI 奶奶，每次能硬聊 40 分钟
英国电信运营商 Virgin Media O2 公布反诈 AI「Daisy」。它设定为 78 岁的迷糊老奶奶，专门接听诈骗电话，靠找老花镜、聊松饼食谱等琐事装傻拖延，单次能把骗子困在电话线上长达 40 分钟，以减少真人受害。
Anthropic 计划为 Claude 推出双向语音模式与记忆功能
Anthropic CEO Dario Amodei 透露，公司计划为 Claude 推出「双向」语音模式和跨对话记忆功能，并将在未来几个月发布更聪明的模型。但过去几个月需求激增导致算力吃紧，据传公司正寻求以 600 亿美元估值再融资约 20 亿美元。
Amazon 解释新版 Alexa 难产：幻觉必须接近零，短期内发不了
据《金融时报》报道，Amazon AGI 负责人 Rohit Prasad 表示，新版 Alexa 仍面临幻觉和响应延迟等技术障碍。由于日常使用频次极高，Amazon 要求幻觉率必须接近零，同时还要适配数百个第三方服务。内部员工透露，新版短期内不会上线。
VLC 演示实时 AI 字幕：完全本地离线运行，支持上百种语言翻译
VideoLAN 在 CES 2025 演示了 VLC 播放器的实时 AI 字幕与翻译功能。该功能采用开源 AI 模型直接在本地离线运行，不依赖任何云端，并计划支持 100 多种语言。不过官方目前尚未公布正式推送的时间。
Google 测试 Daily Listen：把搜索和 Discover 资讯变成 5 分钟 AI 播客
Google 在 Search Labs 中测试新功能 Daily Listen，能根据用户的搜索历史与 Discover 信息流，自动生成约 5 分钟的个性化 AI 播客。其机制类似 NotebookLM 的音频概览，并附带文字转录。目前该功能仅面向美国 Android 与 iOS 的 Search Labs 用户测试。
Garmin 推出 Unified Cabin 智能座舱：生成式 AI 定制主题与分座助手
CES 2025 期间，Garmin 推出下一代 Unified Cabin 智能座舱方案并获创新奖。该方案基于高通 Snapdragon 平台，不仅用生成式 AI 定制座舱主题，还为每个车位配备独立语音助手与音响，同时借助超宽带技术监测车内乘员和儿童遗留。
时空壶发布 Babel OS：把声音克隆与预测翻译塞进同传耳机
Timekettle 发布首个同传操作系统 Babel OS，支持超 40 种语言。系统引入语义分词预测与声音克隆，能复刻说话者语气并支持行业自定义词库，大幅降低延迟。目前已向 W4 Pro 等设备推送 OTA，团队未来还将推出离线端侧版本。