CrisperWhisper 2.0 开源：支持逐字与润色双模式，词级误差仅 30 毫秒
nyra labs 开源语音转文本模型 CrisperWhisper 2.0，支持在保留口癖与笑声的逐字模式，以及自动润色的意图模式之间自由切换。模型词级对齐误差低至 30 毫秒，最小版本仅 2 亿参数，无需 GPU 即可在普通设备上运行。
AI语音
查看更新的新闻
阿里开源 Qwen-Audio-Agent：边打电话边让智能体写代码
阿里开源实时语音运行时 qwen-audio-agent，主打全双工语音前台与后台 Agent 并行协作。用户能像打电话一样随时打断追问，后台同时异步跑写代码、改文件等任务，完成后直接语音汇报。
OpenAI 推出桌面端 ChatGPT Voice：动嘴就能指挥多个智能体
OpenAI 宣布将 ChatGPT Voice 引入 macOS 和 Windows 桌面端。该功能由 GPT-Live 驱动，支持边听边说，用户仅凭语音即可控制电脑并调度 ChatGPT Work 或 Codex 中的多个智能体。目前已面向 Plus、Pro 等付费订阅用户全球推送。
微软推自研多模态模型：Bing 生图已全面替换，语音速度翻倍
微软推出自研多模态模型 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 并开启公测。Bing Image Creator 已全面默认切换为自研图像模型；语音模型速度提升 2 倍且成本降 32%。微软正逐步用自研模型替代第三方技术，支持旗下全系产品。
Claude 语音模式升级：支持 Opus 与 Sonnet，还能调外部工具
Anthropic 升级 Claude 语音模式，引入 Opus 和 Sonnet 模型以处理更复杂的深度思考与讨论。用户现在还能通过语音直接调用 Gmail、Slack 等工具排日程、发邮件，并支持日语、韩语等 11 种语言，全平台开启测试。
OpenAI 推出 Presence：企业级语音与文本 Agent 平台，自主解决 75% 咨询
OpenAI 推出企业级智能体平台 Presence，支持实时语音和文本交互，帮助企业部署能调系统、按规则办事的 AI 助手。其自用电话客服已实现 75% 独立解决率，并通过 Codex 自动优化规则。目前面向特定企业定向交付，暂不开放自助使用。
Waze 升级导航：接入 Gemini 对话搜地点，还带来「少废话」模式
Waze 推出多项导航更新。借助 Gemini 能力，用户能用自然对话搜索目的地，并语音汇报封路等地图改动；同时新增摩托车专属路线规划，以及减少语音打扰的「少废话」模式。Gemini 对话搜地点先向全球 Beta 用户测试。
BaoCut：给剪辑配上 Agent，一句话搞定口播去废话和字幕翻译
视频转写与粗剪工具 BaoCut 发布，支持接入 Claude Code 或 Codex，用自然语言一条命令完成口播视频的转写、清理语气词、字幕翻译与粗剪。它自带可编辑时间轴，改动单句无需整段重渲。最值得关注的是它把逐句对字幕的机械活全交给了 Agent，专解口播博主的痛点。
微软 AI 联手诗人推出 Ode Poetry：用语音模型复刻「诗歌诊所」
Microsoft AI 联合诗人 William Sieghart 推出数字体验 Ode Poetry。该应用结合转录模型 MAI-Transcribe 与克隆模型 MAI-Voice，能实时倾听用户心绪，并以诗人的原声语气与推荐逻辑开出「诗歌处方」，将一对一线下咨询推向全球。
OpenAI 发布 GPT-Live：支持边听边说，后台可调用 GPT-5.5
OpenAI 推出新一代语音模型 GPT-Live，全面接入 ChatGPT 语音功能。新模型采用全双工架构，能边听边说并发出自然附和，遇到复杂问题后台自动委托给 GPT-5.5 处理。目前两个版本已面向全球付费及免费用户推出。
xAI 推出 Voice Agent Builder：零代码做真人质感语音智能体，每分钟 0.05 美元
xAI 推出免代码工具 Voice Agent Builder。它基于 Grok Voice 技术，让用户无需编写代码就能搭建听感贴近真人的语音智能体。该服务目前已经正式上线，使用成本为每分钟 0.05 美元。
Fish Audio 旗舰语音模型 S2.1 Pro 免费开放：支持 83 种语言且不限用量
Fish Audio 宣布将旗舰文本转语音模型 S2.1 Pro 免费开放给开发者。该模型支持 83 种语言，最吸引人的是完全没有调用量限制。这意味着开发者无需承担高昂的语音 API 成本，就能直接在多语言项目里接入高质量配音能力。
OASIS 推出智能戒指 OASIS 1：对着手指低语就能打字，自带触控板微调
初创公司 OASIS 发布智能戒指 OASIS 1。它搭载隔音麦克风，利用 WisprFlow 技术让用户以低语方式私密听写转文字，戒身上还内嵌触控板与触觉反馈，方便随时微调光标与修改错字。续航达 16 小时，首批预计 2026 年圣诞节前后发货。
Netflix 旺卡真人秀用 AI 复活已故影星声音：家属授权、ElevenLabs 配音
Netflix 将于 9 月 23 日上线旺卡真人秀《Wonka’s The Golden Ticket》，预告片中采用了 AI 生成的已故影星 Gene Wilder 的声音担任旁白。该音频由 AI 语音公司 ElevenLabs 制作，并已获得 Wilder 家属授权。这也是流媒体平台再度尝试合规复现逝世名人声音。
阿里发布 Wan Streamer：单一模型实时音视频通话，延迟仅 200 毫秒
阿里巴巴公布端到端交互模型 Wan Streamer，让 AI 在视频通话中实时看、听并同步回应。它用单一 Transformer 统一处理音视频和文本，支持全双工通信，模型端延迟约 200 毫秒。目前 v0.1 仍为 192p 概念验证，未开放实时体验。
Lightricks 推出 ScenA：一段提示词加人声样本，一次生成带环境音的多人对话场景
Lightricks 联合特拉维夫大学推出音频生成模型 ScenA。输入自由文本提示词与参考人声，模型能一次性生成长达 20 秒的多说话人音频场景，自然融入环境杂音、重叠说话和情绪喘息。最关键的是它摆脱了逐轮脚本和分轨生成的束缚，让机器对话真正有了真实世界的现场感。
Cartesia 发布 Sonic-3.5 与 Ink-2：包揽流式语音「听说」双榜首
Cartesia 推出语音合成模型 Sonic-3.5 与转录模型 Ink-2，登顶 Artificial Analysis 流式榜单。两款模型基于状态空间架构，首包延迟压至 300 毫秒内并自带轮次检测，旨在解决语音智能体的对话卡顿。目前已全面开放 API。
Zyphra 开源语音模型 ZONOS2：8B 参数 MoE，支持 44.1 kHz 声音克隆
Zyphra 开源语音合成模型 ZONOS2，采用总参数 80 亿、激活 9 亿的 MoE 架构，基于超 600 万小时音频训练。它能以低延迟实现 44.1 kHz 高保真声音克隆，首批支持中英日等多种语言，遵循 Apache 2.0 协议并提供本地推理服务。
ElevenLabs 推出数字人功能：输入脚本一键生成音画同步视频
ElevenLabs 在 ElevenCreative 中上线 Avatars 功能。用户只需选定数字人、输入脚本并选择声音，即可在单一界面完成口型同步视频生成，还支持在多场景中保持角色一致性，目前面向所有付费方案开放。
Google 发布 Gemini 3.5 Live Translate：70 种语言准实时同传，保留原声音调
Google 发布实时语音翻译模型 Gemini 3.5 Live Translate。它不同于说完才翻的旧模式，仅落后说话人数秒即可连续翻译 70 多种语言，并保留原声音调与节奏。开发者即日起可调用 API，移动端 Google 翻译和 Google Meet 也同步接入。