OpenAI 发布 GPT-4o 系统卡：说服力达中等风险，语音重点防伪造
OpenAI 正式发布 GPT-4o 系统卡片与安全评分。在四项核心准备度评估中，生物威胁、网络攻击与自主性均为低风险，仅说服力被评为中等；针对端到端语音带来的声音伪造、版权等新隐患，团队动用 100 多名跨国红队进行了多轮对抗测试并内置拦截。
AI语音
查看更新的新闻
Amazon Music 上线 Topics：用 AI 拆解播客话题，按兴趣找单集
Amazon Music 推出基于 AI 的 Topics 功能。该功能借助 AWS 技术分析播客转录文本与描述，提炼单集涉及的核心话题标签。用户点击标签即可直接浏览讨论同一主题的其他单集，目前已在移动端的热门播客中开放。
传 Meta 砸数百万美元谈明星声音：朱迪·丹奇等或入驻 Meta AI
据彭博社和《纽约时报》报道，Meta 正斥资数百万美元与朱迪·丹奇、奥卡菲娜等明星洽谈，计划购买其声音版权用于 Meta AI 助手。这批语音预计在 9 月的 Connect 大会亮相，并覆盖 Instagram 及 Ray-Ban 智能眼镜等平台。
ChatGPT 高级语音模式早期演示曝光：能学方言纠正发音，还会讲笑话
据 The Verge 报道，OpenAI 近日向部分 ChatGPT Plus 用户小范围开放了高级语音模式。网络流出的实测视频显示，它能模仿机长广播音效、用不同方言讲故事、纠正法语发音甚至唱歌。OpenAI 表示该功能将在今年秋季向所有 Plus 用户开放。
Taco Bell 加速落地语音 AI：年底前覆盖全美数百家得来速门店
百胜餐饮宣布将在 2024 年底前把「Voice AI」点餐推向全美数百家 Taco Bell 得来速门店。该系统已测试约两年，旨在减少漏单并缩短排队时间。虽然麦当劳此前叫停了类似测试，但百胜显然打算继续押注。
Vimeo 上线 AI 视频翻译：自带原声克隆，一键生成 29 种语言音轨
Vimeo 推出基于生成式 AI 的视频翻译工具，不仅能转译音频和字幕，还能克隆原发言人的音色与语调。该功能支持 50 多种原语言输入并输出为 29 种语言，观众能在播放器中直接切换音轨，大幅降低了企业跨国培训和出海营销的本地化成本。
伴侣项坠 Friend 开启预购：99 美元主打全天候倾听与陪伴
开发者 Avi Schiffmann 发布 AI 伴侣硬件 Friend 的预告片并开启预订。这款 99 美元的项坠通过蓝牙连手机全天候倾听，主打情感陪伴而非生产力，已获 250 万美元融资，预计 2025 年 1 月发货。
NVIDIA 更新数字人技术：推出可感知情绪的 AI 助手 James
NVIDIA 在 SIGGRAPH 预览了交互式数字人「James」以及 Maxine 3D 等技术。James 基于 NVIDIA ACE 与 ElevenLabs 语音打造，能带情绪和幽默感进行实时交互。最关键的是，普通 2D 视频肖像现可通过 Maxine 3D 快速生成 3D 数字人化身。
马斯克转发哈里斯 AI 换声视频：未注恶搞标签，涉嫌违规
周五，马斯克在 X 上转发了一段伪造副总统哈里斯声音的 AI 竞选恶搞视频，并配文「太赞了」。因未保留原推文中的「恶搞」免责标识，该帖被指违反 X 自身禁止误导性合成媒体的平台政策，引发多名官员谴责。
法国实验室 Kyutai 推出 Moshi：延迟仅 200ms 的开源实时语音 AI
法国非营利 AI 实验室 Kyutai 展出实时语音助手 Moshi 并宣布开源。它仅由 8 人团队耗时半年研发，端到端延迟低至 200 毫秒，支持 70 种情绪，还能在笔记本本地边听边说。
ElevenLabs 推出 Voice Isolator：一键消除噪音提取纯净人声
ElevenLabs 推出音频分离工具 Voice Isolator。它基于专有深度学习模型，能从杂乱环境音、交谈声或音乐中提取纯净人声，支持 WAV、MP3 等多种格式。用户每月可获得 1 万点额度，无需安装插件就能在浏览器里直接处理。
ElevenLabs 让传奇影星「发声」：用朱迪·加兰的声音给你读名著
ElevenLabs 宣布在 Reader App 中引入朱迪·加兰、詹姆斯·迪恩、伯特·雷诺兹等已故影星的 AI 声音。用户可以用加兰的声音听《绿野仙踪》，或让劳伦斯·奥利弗爵士朗读《福尔摩斯》。不过这些经典声音仅限个人在 App 内流式收听，不能导出用于内容创作。
时代周刊联手 ElevenLabs：官网文章上线 AI 自动朗读
TIME 宣布在 TIME.com 上线 ElevenLabs 的 Audio Native 播放器，为精选报道提供自动语音旁白。双方从 2023 年 3 月开始接触，现在读者可以直接用耳朵听新闻，无需盯屏阅读。
Character.AI 上线语音通话功能：能打断、低延迟，支持中文
Character.AI 宣布面向全部用户上线实时语音通话功能，支持中文、英文、日文等多种语言。用户一键即可与 AI 角色双向对话，并支持随时打断与文字无缝切换，适合用来练口语或模拟面试。
Peacock 推出 AI 版传奇解说：定制你的奥运专属早报
NBCUniversal 宣布将在 Peacock 平台推出「Your Daily Olympic Recap」，用 AI 克隆传奇解说员 Al Michaels 的声音播报定制奥运集锦。用户输入名字并选定偏好运动后，每天能听到叫得出自己名字的专属战报。官方预计生成近 700 万种变体，并安排人工编辑审听防翻车。
OpenAI 延期发布高级语音模式：测试推迟一个月，秋季全员开放
OpenAI 宣布原定 6 月底向少量 ChatGPT Plus 用户推出的高级语音模式 Alpha 测试推迟一个月。官方表示需要时间提升内容拦截能力并优化承载架构，预计秋季向所有 Plus 用户开放。
ElevenLabs 推出 Reader App：用逼真 AI 语音读文章，前 3 个月免费
ElevenLabs 推出移动端 Reader App。它能把手机里的文章、PDF、ePub 和邮件通讯转换成高拟真的 AI 语音朗读，支持多种音色与口音。应用已上线 iOS 和 Android，前 3 个月免费，目前仅支持英语，后续将拓展至 29 种语言。
Synthesia 2.0 发布：用手机自拍做数字人，手势肢体动作今年上线
Synthesia 推出企业级视频平台 Synthesia 2.0。新版本不仅支持用手机或摄像头录制专属数字人，并同步复刻 30 多种语言音色，还展示了今年晚些时候上线的带手势全身数字人。企业做培训和演示不用再约影棚，对着摄像头录一段就能批量生成视频。
TikTok 推出 Symphony 数字人：支持定制分身与多语言 AI 配音
TikTok 推出广告 AI 工具 Symphony 数字人分身与 AI 配音功能。该工具提供支持 30 多种语言的预制授权数字人及定制分身，配合配音可将视频转译为 10 多种语言。这意味着创作者和品牌无需重复实拍，就能低成本规模化出海投放。
DeepMind 公布 V2A 技术：看懂视频画面，自动生成配乐与对白
Google DeepMind 公布视频转音频（V2A）技术研究进展，能结合视频画面与文本提示生成同步声音。该系统基于扩散模型，无需手动对齐即可为静音视频或老胶片搭配配乐、拟音与台词。不过目前口型同步等仍有局限，模型尚未公开发布。