字节发布 Seed-Audio 1.0：一次搞定多角色对白、音效与背景音乐
火山引擎发布豆包音频生成模型 1.0（Seed-Audio 1.0），能在单次生成中同步编排多角色对白、情绪语气、拟音特效与背景音乐。模型支持参考音频与零样本描述，可在长剧中保持音色高度统一。目前主要以 API 形式提供服务。
AI语音
查看更新的新闻
dots.tts：小红书开源 2B 语音模型，支持零样本声音克隆
小红书开源 2B 参数端到端语音合成系统 dots.tts。它采用全连续自回归架构与 48 kHz AudioVAE，不使用离散 token，在评测中展现出极低的词错误率与高说话人相似度，支持语音克隆与精细编辑。代码和权重按 Apache-2.0 协议开放。
Boson AI 发布 Higgs TTS 3：文本加标签调语气，权重已开源
Boson AI 发布语音合成模型 Higgs TTS 3，并在 Hugging Face 开源模型权重。它支持在文本流中直接插入标签，实时控制情绪、语速、音高和停顿，覆盖 100 多种语言。开发者给语音 Agent 配音时，能像导演调演员一样掌控语气细节。
Miso 开源语音模型 Miso One：8B 参数，延迟仅 110 毫秒
Miso 开源了 80 亿参数的语音生成模型 Miso One。官方称其为全球情绪最丰富的声音模型，具备高度拟真的人类情感表达，且延迟仅 110 毫秒，响应速度比人类对话还快。目前模型权重已公开，官方 API 即将上线。
ByteDance 提出 WavTTS：直接建模原始波形，几秒克隆声音
ByteDance 提出零样本语音合成模型 WavTTS。它基于 DiT 与流匹配，跳过传统的潜空间压缩，直接对原始音频波形建模以避免信息损失。最值得关注的是，它仅需几秒样本就能生成自然语音，大幅缩减了原始波形建模与主流模型之间的质量差距。
Brilliant 推出 AI 家教 Koji：拒绝直接给答案，在屏幕画批注带你思考
Brilliant 推出名为 Koji 的「图形化私教」。它不直接给答案，而是能看懂用户的屏幕操作与停顿，通过语音交流、屏幕高亮和图表批注来引导解题。目前该功能已在 Brilliant 大多数数学和编程课程中上线。
百度开源音视频模型 NAVA：63 亿参数，画面与声音原生同步
百度 ERNIE 团队开源音视频同步生成模型 NAVA，参数量仅 63 亿。它告别了先渲染画面再后期配音的路线，直接原生联合生成画面与双声道音频，支持参考音频控制音色。8 卡并行约 1 分钟即可生成 1 分钟 720p 音画同步视频。
ElevenLabs 推出 Dubbing v2：跨语言配音也能保留原声情绪
ElevenLabs 推出新一代配音模型 Dubbing v2。新模型主打跨语言情绪与表演细节的保留，能把原声的情绪起伏完整迁移到目标语言中。这意味着 AI 配音不再只是干瘪的台词朗读，视频出海本地化听起来将更像原声出演。
Spotify 推出 AI 个人播客：丢个 PDF 或提示词，自动生成私密音频
Spotify 在 2026 投资者日上公布 Personal Podcasts 功能，用户只需输入提示词或导入 PDF、网页链接，AI 就会结合全网知识与个人听歌偏好，生成专属的私人简报或深度播客。下月起面向美国 Premium 用户开放。此外，播客实时提问功能现已在美、瑞、爱三地上线。
阿里云发布 Qwen 3.5 Live Translate：边看边听搞同传，延迟仅 2.8 秒
阿里云发布实时多模态翻译模型 Qwen 3.5 Live Translate。它不仅听语音，还能结合画面等视觉上下文精准翻译，支持 60 种语言与实时声音克隆，平均语音延迟仅 2.8 秒。目前官方已上线免费 Demo。
Mega ASR 开源：专啃嘈杂烂音频，不到 5GB 消费级显卡就能跑
语音识别模型 Mega ASR 正式发布，专攻真实环境下的抗噪转录。它通过 260 万个样本覆盖混响、削波与遮挡等问题，在恶劣声学条件下比主流模型提升近 30%。整体不到 5GB 并开放微调脚本，大多数消费级显卡就能在本地运行。
Meta 推出 WavFlow：跳过潜空间压缩，直接在原始波形上给无声视频配音
Meta 推出音频模型 WavFlow，跳过潜空间压缩，直接在原始波形中生成 44.1kHz 高保真音频。它能为无声视频自动配上同步音效，打鼓等动作基本能对齐。不过受政策限制，官方仅开源了代码与脚本，未放出完整权重。
亚马逊上线 Alexa Podcasts：说个话题，AI 几分钟生成定制播客
亚马逊为美国 Alexa+ 订阅用户推出 Alexa Podcasts 功能。用户只需说出感兴趣的话题，即可通过语音调整大纲与时长，几分钟内生成由 AI 主播朗读的定制播客。内容整合了美联社、路透社等 200 多家媒体资源，可通过 Echo Show 或 App 播放。
浙大展示 AudioHijack：把恶意指令藏进音频，悄悄劫持 AI 语音助手
浙江大学研究团队展示了名为 AudioHijack 的音频攻击技术。它能把人耳无法察觉的指令藏在普通音频中，以 79% 至 96% 的成功率劫持大音频语言模型，诱导其搜索敏感内容或泄露数据。该方法对微软和 Mistral 的商用语音模型同样有效。
Edge 升级 Copilot：能跨标签页比价分析，网页还能一键转播客
Microsoft 更新 Edge 桌面端与移动端应用，将 Copilot 深度整合进浏览器。新版支持跨多标签页推理、结合浏览历史与长期记忆回答，并带来 Voice 与 Vision 免提交互；桌面端还新增播客生成和学习模式。同时，旧版「Copilot Mode」正式退役。
Resemble AI 发布 DramaBox：像写剧本一样控制语音，叹气大笑全听指挥
Resemble AI 发布表现力语音模型 DramaBox。它像剧本一样工作：引号内念台词，引号外用自然语言写情绪、叹气或笑声等舞台指示，还能克隆音色。最关键的是它不仅自带抗篡改水印，还开放了本地模型下载，不过本地运行需要 24GB 显存。
开源 2B 文本转语音模型：几秒音频克隆声音，5GB 显存可跑且可商用
一款 20 亿参数的开源文本转语音模型发布，只需几秒音频即可实现零样本声音克隆，连耳语和结巴等细节也能还原。该模型支持跨语言合成，基础大小仅约 5GB，能在消费级显卡上运行，并采用 Apache 2 许可证完全开放商用。
Scenema Audio 开源：从 LTX 2.3 提取的语音模型，用舞台提示词演情绪
ScenemaAI 开源情感语音模型 Scenema Audio。它从 LTX 2.3 中提取出音频扩散架构，允许用舞台动作标签实时控制情绪起伏与环境音效，还支持零样本声音克隆。模型最低仅需 16GB 显存即可本地运行，支持 13 种语言。
Thinking Machines 推出交互模型：抛弃轮流说话，200 毫秒级原生实时协作
Thinking Machines 发布交互模型研究预览。它彻底抛弃了你一句我一句的传统对话架构，改用 200 毫秒微轮次持续处理音视频与文本，并在后台异步调用深度推理。AI 不仅能边听边说、主动插话，还能在交流同时调用工具检索，让协作更像真人互动。
xAI 语音模式登陆 CarPlay：Grok 走出特斯拉，车机免提即可对话
xAI 推出 Apple CarPlay 版 Grok 语音模式，车主可在中控屏免提向 AI 发问。该功能需 iOS 26.4 支持，受限于苹果防分心规则，交互仅限语音、不显示图文。此前 Grok 仅内置于特斯拉，现已借 CarPlay 走向更多车型。