xAI 发布 Grok Voice 3.0：延迟不足 1 秒，已接管 Starlink 七成客服
xAI 发布语音大模型 Grok Voice 3.0。其端到端延迟压缩到 1 秒以内，在 Artificial Analysis 语音榜单拿下 86.9 分排第一。该模型已接入特斯拉车载系统，并在 Starlink 每天 2 万通客服电话中自主解决约 70% 的诉求。API 维持每分钟 0.08 美元。
AI语音
查看更新的新闻
Fish Audio 开源 Drama 3：单段支持 16 人分饰与局部音频修改
Fish Audio 开源新一代语音大模型 Drama 3。该模型采用 35B 参数的 MoE 文本骨干，单段文本最多可容纳 16 个不同角色，并支持通过标签控制叹气等情绪。改词时无需整段重录，可直接顺着上下文局部替换。
16.9 MB 跑语音识别：Cactus 开源端侧模型 Whistle
Cactus Compute 发布端侧语音识别模型 Whistle，单个权重文件仅 16.9 MB。它无需 GPU 和额外依赖即可在 CPU 上运行，支持 7 种语言转录及词级时间戳，在多项基准测试中超越了 145 MB 的 Whisper base。
Suno 上线 Speech 测试版：一段提示词同时生成语音与背景音乐
Suno 推出音频模型 Speech 测试版，能直接将文本同时生成人声朗读与原创背景音乐。用户输入诗歌或故事，并描述声音与音乐风格，即可输出单轨完整音频。它将人声与伴奏制作合二为一，经测试后现已向所有用户开放。
Google 上线 Guided Vision：Gemini Live 化身视障用户的眼睛
Google 推出 Guided Vision 功能，为盲人及低视力人群提供实时语音视觉辅助。该功能由 Google 与无障碍机构 Aira 联合研发，用户在 Gemini Live 中共享摄像头，AI 不仅能解说周围环境、读标签找物品，镜头偏了还会主动语音提醒用户调整角度。
Microsoft 发布 MAI-Voice-2.1：延迟低至 45ms，支持零样本即时克隆
Microsoft 发布 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 文本转语音模型。两者支持零样本即时克隆声音与情绪控制，涵盖 23 种语言。Flash 版延迟仅约 45 毫秒，每百万字符 15 美元，让实时电话交互彻底告别机械停顿。
Tavus 推出交互模型 Griffin：48% 受测者误以为在跟真人视频
AI 初创公司 Tavus 发布全双工交互模型 Griffin。它把全场景视频生成、听觉与视觉感知融为一体，能边听边点头、自然插话，测试中让 48% 的人误以为在和真人视频通话。目前轻量版 Griffin-Lite 仅面向小范围早期测试者开放。
Inception 发布 Mercury Voice：首 token 延迟 320 毫秒，专为语音智能体打造
Inception Labs 宣布扩散大语言模型 Mercury Voice 正式面向企业开放。在生产级语音提示词测试中，该模型生成首个回答 token 的中位数时间仅 320 毫秒，比 GPT-6 Luna 快 5.9 倍，支持 128K 上下文并兼顾推理能力，能直接接入兼容 OpenAI 的主流语音管道。
ElevenLabs 发布 Eleven v4：10 秒克隆声音，Turbo 版延迟仅 100 毫秒
ElevenLabs 发布全新语音合成模型 Eleven v4 及其低延迟变体 Eleven v4 Turbo。新模型支持用行内标签控制语气与笑声，声音克隆仅需 10 秒音频，支持超 90 种语言。Turbo 版本中位推理延迟约 100 毫秒，专为实时对话智能体优化。
体积仅 164MB：开源语音识别模型 Phonon-2 登顶同量级榜单
Fermion Research 开源轻量级语音识别模型 Phonon-2。该模型仅 164MB，基于 NVIDIA Parakeet 优化，平均字错误率仅 5.21%，在 M5 MacBook Air 上转录 1 小时音频只需 20 秒，适合在本地端侧直接部署。
ElevenLabs 推出学生计划：免费用 3 个月语音与 Agent 工具
ElevenLabs 推出学生计划，面向美、加、英、澳及欧盟 27 国 18 岁以上高校学生，免费提供 3 个月 ElevenCreative、ElevenAgents 和 API 权限，外加 1 年 ElevenReader Ultra。该计划旨在降低专业 AI 工具门槛，帮助学生做科研与开发，后续将扩展到更多国家。
Google 推出 Gemini 3.8 实时头像：视听一体交互，支持 97 种语言
Google 推出 Gemini 3.8 Live with Live Avatar，上线 Gemini Enterprise。该功能将近实时视频生成与语音结合，带来能听、能看、能说的动态数字人，支持 97 种语言对口型同步与表情适配，并能在后台异步调用工具的同时保持对话不中断。
ChatGPT Voice 全球升级：接入 GPT-6，动动嘴就能做演示稿和表格
OpenAI 宣布在全球推送新版 ChatGPT Voice。语音模式现已支持邮件、日历和 Slack 等插件，并可由 GPT-6 系列模型驱动。它还打通了 ChatGPT Work，用户靠纯语音指令就能直接生成文档、演示稿、网站和表格，或处理复杂的浏览器任务。
ACTx486 互动媒体演示：看播客能随时打断提问，画面主角当场回应
研究者公布互动媒体演示 ACTx486，能把现成播客视频变成可交互内容。观众轻点画面即可打断提问、切换语言或插入 3D 物体，画面中的嘉宾会依据公开记录生成回应，随后无缝接回原片。不过目前单次交互生成需数分钟，公开演示均为提前预渲染。
Google 推出 Gemini 3.8 Flash TTS：打字就能捏声优，支持 100 多种语言
Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音合成模型。用户输入自然语言提示词就能从零创造全新角色声音，或通过 30 秒音频快速复刻，还支持在双人对话脚本中逐句掌控语气、笑声与搭话节奏。新模型已接入 Gemini API 与 Google AI Studio。
YouTube Music 推出 Ask Music：用对话找歌，还有 AI 语音播客导览
YouTube 在 Made On YouTube 上公布 YouTube Music 升级，推出对话工具 Ask Music 和个性化播客导览。用户能通过自然对话定制歌单并探索艺人背景，还能收听每周 AI 语音推荐简报。两项功能即将面向全球订阅用户推出。
ElevenLabs 推出 Studio 4.0：视频、配音与音乐全在一条轨道生成
ElevenLabs 推出 AI 原生视频编辑器 Studio 4.0，将视频、图像、超 1 万种声音的配音、音乐及音效生成整合到同一时间轴中。内置的 Studio Agent 可逐帧分析画面生成初剪，创作者无需在多款工具间切换导出。
ElevenLabs 推出 Studio 4.0：改文字就能重录，还配了 AI 剪辑助手
ElevenLabs 推出音频编辑器 Studio 4.0。它集成了超 1 万种声音、AI 背景音乐与音效生成，创作者只需直接修改脚本文字即可自动重新生成语音，免去二次录音。此外新增的 Studio Agent 还能按提示词起草脚本并自动排布音效剪辑。
Edge0 开源 Audio8-ASR-Infinite：显存恒定，中英文 7x24 小时流式转写
Edge0 开源流式语音识别模型 Audio8-ASR-Infinite。模型支持中英双语，转写延迟控制在 240 至 560 毫秒，借助循环滑动 KV 缓存让显存占用和延迟始终恒定，适合直播听写和实时交互。
阿里发布同传模型 Qwen3.8-LiveTranslate：延迟压到 2.3 秒，自带原声克隆
阿里发布实时同声传译模型 Qwen3.8-LiveTranslate。它重构为音频与文本交织的单流架构，字均延迟压至 2.3 秒，支持 60 种语言。新模型能实时分离说话人并克隆音色，用发言人原声念出译文，目前已开放 API 和在线 Demo。