ElevenLabs 推出 Studio Agent：时间轴剪辑器内置 AI 助手，协同处理音视频
ElevenLabs 宣布在其 ElevenCreative 平台的 Studio 时间轴编辑器中内置 AI 协同编辑助手 Studio Agent。创作者无需离开平台，即可通过 AI 协作混合配音、音乐、音效与视频，进一步简化多媒体制作流程。
AI语音
查看更新的新闻
Spotify 推出 Save to Spotify：让 AI 智能体为你生成专属私密播客
Spotify 推出测试版工具 Save to Spotify。用户可在桌面端配合 Claude Code、OpenClaw 等智能体，通过简单提示词将日程简报、课堂笔记等一键转为私人音频，并无缝同步至 Spotify 跨设备曲库。全球免费及 Premium 用户均可体验，测试期设有使用额度限制。
OpenAI 推出三款实时语音模型：上下文扩至 128K，支持边推理边干活
2026-05-07，OpenAI 在 Realtime API 中推出 GPT-Realtime-2 等三款语音模型。新模型支持多级推理与并行工具调用，上下文从 32K 扩至 128K，并加入支持 70 多种语言的实时同传和低延迟流式转写功能，让语音助手能在对话中直接处理复杂任务。
Google 车载系统上线 Gemini：淘汰旧助手，还能读懂随车说明书
Google 宣布为内置 Google 系统的汽车推送 Gemini，替代旧版 Google Assistant，新旧车型均支持更新。车主可像日常聊天一样导航、发信息，甚至让它翻看车型手册解答车况问题。目前先面向美国英语用户推送。
Google 翻译 20 周年上线 AI 发音练习：实时纠音，首发支持三国语言
Google Translate 迎来 20 周年，正式上线用户期待已久的 AI 发音练习功能。系统通过 AI 实时分析用户的口语发音细节并给出即时反馈。该功能目前面向美国和印度用户推出，首批支持英语、西班牙语和印地语，后续将覆盖更多语言。
微软升级 Dynamics 365：上线实时语音智能体，让 AI 承包客服与销售
微软在 Copilot Studio 中正式上线实时语音智能体，取代传统死板的电话按键菜单，支持自然对话与随时打断。同时，Dynamics 365 也迎来多款新智能体，覆盖客服接听、通话质检与销售记录自动同步，推动企业全流程自动化。
复旦开源 Hallo-Live：文本实时生成音视频数字人，延迟不到 1 秒
复旦大学团队提出实时流式数字人生成框架 Hallo-Live，能直接由文本同步合成语音与肖像视频。在两块 NVIDIA H200 上，它跑出 20.38 FPS 的速度，延迟仅 0.94 秒。它将双流扩散与偏好引导蒸馏结合，解决了交互式数字人延迟高与音画脱节的痛点。
Scenema Audio 开源：把声音与情绪解耦，用舞台指示给克隆声音演戏
Scenema AI 开源语音生成模型 Scenema Audio，它从 LTX 2.3 提取而来，支持将声音音色与情绪表演解耦。只需几秒参考音频，就能靠提示词里的舞台指示改变情绪、呼吸节奏甚至口音，还能中途切换状态。量化版本最低需 16GB 显存并在本地运行。
Grok Imagine 升级图生视频：对口型更准，音频也更清晰了
Grok Imagine 升级图生视频功能，大幅提升了对口型效果与音频清晰度。更新后对白能够准确贴合嘴型动作，声音也更符合画面场景，让最终生成的声画表现更自然连贯。
xAI 发布 Grok Voice 1.0：带后台实时推理，直接接管客服电话
xAI 推出旗舰语音智能体模型 Grok Voice 1.0 并开放 API。它支持 25 种以上语言，可在不增加延迟的前提下在后台实时思考与调用工具，准确采集地址、账号等复杂信息，目前已用于 Starlink 电话客服。
Google 为 Gemini for Home 上线连续对话：不用重复唤醒，还能分清旁白
Google 为 Gemini for Home 推出连续对话功能。用户首次唤醒后麦克风会保持聆听数秒，可直接追问而无需重喊「Hey Google」。新版本具备上下文记忆能力，优化了闲聊过滤以防误触，且面向全屋所有成员与访客开放。
Dairy Queen 引入 AI 点单：进驻数十家得来速，准确率达 90%
据《华尔街日报》报道，Dairy Queen 开始在美加数十家得来速门店上线 Presto 的 AI 点单机器人。该系统点单准确率约为 90%，旨在加快服务速度并向顾客推销加餐。不过此前有报道指出，Presto 的技术背后可能仍有人工远程协助兜底。
Google 推出 Gemini 3.1 Flash TTS：支持文本标签导演语气
Google 推出语音合成模型 Gemini 3.1 Flash TTS。新模型引入音频标签，允许开发者在输入文本中直接用自然语言调控语气、节奏和语调，支持原生多说话人对话与 70 多种语言，所有音频均嵌入 SynthID 水印。
Google 推出离线 AI 听写应用 Eloquent：端侧跑 Gemma，自动去语气词
周一，Google 在 iOS 悄悄上线免费听写应用 Google AI Edge Eloquent。它基于端侧 Gemma 模型离线转录语音，能自动过滤「嗯」「啊」等口癖，并一键转成正式或要点格式。应用还可选 Gemini 云端清洗，iOS 键盘扩展即将推出。
Spotify 提示词歌单支持播客：一句话定制专属播客流，还附推荐理由
Spotify 宣布将 AI 歌单功能 Prompted Playlist 扩展至播客。美、加、英等 6 国的 Premium 用户可用英语输入自然语言提示定制专属播客列表，并可设定每日或每周更新，每期入选单集还会附带推荐理由。
微软发布 MAI-Transcribe-1 语音模型：准确率超 Whisper，每小时 0.36 美元
Microsoft 发布多语言语音转文字模型 MAI-Transcribe-1，在 Microsoft Foundry 开启公测。该模型支持 25 种语言，在 FLEURS 基准测试中准确率超越 Whisper-large-V3，速度提升 2.5 倍，转写单价仅每小时 0.36 美元。最值得关注的是它抗噪表现出众，已开始接入 Teams 与 Copilot。
YouTube Shorts Pipeline：一条命令把标题做成视频，成本只要 0.1 美元
开源工具 YouTube Shorts Pipeline 支持用一条命令将新闻标题直接转成已发布的 YouTube 短视频。它串联了 Claude、Gemini、ElevenLabs 和 Whisper，单个视频制作仅需 3 到 5 分钟，API 成本约 0.10 美元，支持本地运行与预览调整。
OmniVoice 开源：支持 600 多种语言，几秒音频即可跨语种克隆
零样本语音模型 OmniVoice 正式开源。它支持超过 600 种语言，只需几秒音频就能克隆音色与语气，还能实现跨语种迁移，或通过提示词直接定制声音。最值得关注的是它直接将文本映射为声学特征，大幅拓宽了小语种覆盖。目前代码与模型均已公开。
ChatGPT 登陆 CarPlay：纯语音交互，开车动嘴就能聊
OpenAI 更新 iPhone 版 ChatGPT，借助 iOS 26.4 推出 CarPlay 专用车机版。新界面完全采用语音交互，屏幕不显示任何文字，仅保留静音和结束按键以保证驾驶安全。这是首个推出 CarPlay 专属车机的主流 AI 应用，需要升级至 iOS 26.4 才能使用。
LongCat 发布 Audio Edit：几秒音频即可高质量克隆声音
开源语音模型 LongCat Audio Edit 发布。模型仅需几秒参考音频就能克隆语气与音色，官方同时推出了 35 亿参数高品质版和约 6GB 的轻量版，后者可在多数消费级 GPU 上本地运行。