ElevenLabs 收购 Omnivore 团队：加速发力 AI 朗读应用 ElevenReader
ElevenLabs 宣布稍后读应用 Omnivore 团队正式加入。Omnivore 拥有 50 万用户，此前已接入其语音技术，未来将重点改进支持 32 种语言朗读的 ElevenReader 移动端。同时，Omnivore 的开源代码库仍将保留公开。
AI语音
查看更新的新闻
对标 Google：Meta 开源播客生成项目 NotebookLlama
Meta 发布开源项目 NotebookLlama，复刻了 Google NotebookLM 的双人播客功能。它基于 Llama 模型将上传文本转为对话脚本，再通过开源语音模型输出。目前合成语音机械感较重且容易抢话，但为社区提供了可定制的开源基础。
微软全面改版 Copilot：加入实时语音与能看懂网页的 Vision
微软全面改版 Copilot，新增支持自然交谈的语音功能，并在实验区推出能实时看懂网页的 Copilot Vision 和深度推理模式 Think Deeper。早播新闻也开始采用授权媒体内容。目前 Vision 等实验功能仅面向部分英语区用户测试。
绕过系统限制：网友诱导 ChatGPT 高级语音合唱披头士老歌
据 Ars Technica 报道，一名开发者通过设计和弦猜歌互动，成功诱导刚上线不久的 ChatGPT 高级语音模式（AVM）开口合唱披头士的《Eleanor Rigby》。OpenAI 原本在系统指令中明确禁止 AVM 唱歌或哼唱，以规避版权风险，但这次意外的「越狱」证明它其实掌握旋律与音准。
NotebookLM 升级：支持导入 YouTube 与音频，播客可一键分享
Google 宣布 NotebookLM 支持导入公开 YouTube 链接和音频文件，并可一键生成链接分享 Audio Overview。导入视频后可直接查看转录并交叉对比要点。目前 Workspace 企业用户暂未开放该分享功能。
OpenAI 上线高级语音：新增 5 种声音与记忆功能，Plus 用户本周可用
OpenAI 宣布向 ChatGPT Plus 和 Team 用户全面推送高级语音模式，预计本周内完成覆盖。除了自然的实时对话，这次还加入了记忆功能、自定义指令以及 5 种新声音，且口音表现有所改善。等了几个月的拟人语音终于进到日常可用阶段。
Duolingo 推出 AI 视频通话与探索小游戏，还能跟 Lily 实时唠嗑
在 Duocon 2024 上，Duolingo 推出 Video Call 功能与 Adventures 探索小游戏。Duolingo Max 订阅用户能直接与角色 Lily 展开自适应难度的实时对话，首发支持英语、西语与法语；小游戏则把点咖啡等现实场景做成互动探索，降低开口门槛。
Deepak Chopra 声音入驻 ElevenLabs：可用于朗读书籍与文章
ElevenLabs 与知名健康作家 Deepak Chopra 达成合作，将其合成声音加入语音库。用户可以用他标志性的平静声音朗读书籍和文章。最值得关注的是，该声音仅授权用于文字朗读，普通用户无法拿来随意生成新作品。
T-Mobile 联手 OpenAI：接入 o1 模型重构客服平台 IntentCX
T-Mobile 宣布与 OpenAI 合作打造客服平台 IntentCX，计划明年上线。该系统接入了 OpenAI 最新的 o1 模型与 API，用于分析客服通话记录并找出服务痛点，官方称其远超传统聊天机器人。
Gemini Live 新增 10 种声音：可随时在 App 里自由切换
Google 宣布为实时语音交互功能 Gemini Live 提供多达 10 种不同声音。用户可以随时在应用内试听并切换，挑一个自己听着最舒服的声音聊天。声音选择变多后，语音助手的交互体验会更加拟人和个性化。
Plaud 推出 NotePin：不画大饼，把 AI 硬件做成专职录音笔
Plaud 推出可穿戴 AI 设备 NotePin。与试图取代手机的 Humane 不同，它只做一件事：记笔记。设备可作为项链、手环或胸针佩戴，录音后由 OpenAI 的 GPT-4o 整理转写。功能做减法，反而让 AI 硬件看着更靠谱了。
亚马逊生成式 AI 版 Alexa 被曝 10 月上线：月费或达 10 美元
据媒体报道，亚马逊计划 10 月推出接入生成式 AI 的新版助手，内部代号「Remarkable Alexa」。新版不仅能定制菜谱、创作个性化故事，还能进行更自然的连续对话，预计每月订阅费最高达 10 美元，现有的免费经典版仍将保留。
Will.i.am 推出互动广播 RAiDiO.FYI：AI 主持人实时聊天还懂点歌
黑眼豆豆成员 Will.i.am 宣布推出互动广播平台 RAiDiO.FYI。平台配备 AI 主持人，不仅能放歌闲聊，还能实时策展新闻与知识，并与听众展开动态对话。官方称希望像 iPhone 重塑电话一样，彻底改变人们收听广播的方式。
D-ID 推出视频翻译工具：自带声音克隆与嘴型同步，支持 30 种语言
D-ID 推出视频翻译工具 AI Video Translate，不仅能把视频翻译成 30 种语言，还能克隆原作者声音并自动匹配嘴型。该功能由专有模型 Rosetta-1 驱动，向订阅用户开放免费试用，支持 10 秒至 5 分钟的单人出镜视频。
ElevenLabs 语音朗读 App 全球上线：支持 32 种语言，连名优声音也搬来了
ElevenLabs 宣布文本转语音应用 Reader 正式在全球上线，支持 32 种语言。用户可以上传文章、PDF 或电子书，用数百种不同口音甚至传奇影星的声音朗读，底层由 Turbo v2.5 模型驱动。官方称后续还将加入离线模式。
Tavus 推出对话式视频接口：延迟不足 1 秒，数字人能听会看实时聊
Tavus 面向开发者推出对话式视频界面，让数字孪生具备实时视听与对话能力。其端到端延迟控制在 1 秒以内，支持完全白标以及自定义替换底层 LLM 和语音合成模块。也就是说，开发者能直接为应用接入低延迟、带面部反应的实时交互视频分身。
SAG-AFTRA 与 Narrativ 达成协议：演员可授权 AI 声音分身接广告
美国演员工会 SAG-AFTRA 与 AI 初创公司 Narrativ 达成协议。工会 16 万名成员可自主将数字声音副本接入广告平台，按项目自定价格并严格审核广告脚本。最值得关注的是，该机制全程实行知情同意和不低于工会底线的报酬保障，为防范 AI 声音盗用立下了合规样本。
Google 更新 Pixel 与 Android 无障碍功能：AI 找字、折叠屏双面字幕
Google 为 Pixel 和 Android 推出 4 项无障碍更新。Pixel 相机引导构图现可直接开启并改进主体识别；放大镜支持 AI 搜索现实环境中的文字；折叠屏设备新增实时转录双屏模式，支持同桌人双向看字幕；实时字幕与端侧转录则新增中文等 7 种语言。
GPT-4o 安全报告曝光：测试中曾意外克隆并模仿用户声音说话
OpenAI 发布 GPT-4o 系统卡，披露高级语音模式在测试中曾发生罕见意外：一段嘈杂输入让模型突然模仿红队测试员的声音说话。最值得关注的是，该模型能根据极短音频合成声音，虽然官方已加入安全防护，但仍暴露了语音大模型防范声音克隆的技术难度。
OpenAI 发系统卡片警告：GPT-4o 拟人语音可能让人产生情感依赖
OpenAI 发布 GPT-4o 系统安全卡片，提醒高度逼真的语音模式可能让用户产生情感依恋。测试中已有用户对 AI 表达依恋情绪。官方指出，这种拟人化虽然可以缓解孤独，但可能削弱现实社交，甚至让用户盲目相信模型生成的错误信息。