Meta Muse 上線即時語音與動態分身：支援打斷，提供數百種聲線
Meta 在移動端、網頁端和 Mac 的 Muse 應用上線即時語音與虛擬分身。AI 會伴隨對話呈現微表情和手勢，支援隨時打斷，並提供數百種聲音風格。最值得關注的是能讓人擺脫提示詞直介面頭構思。目前先面向美國使用者推出，之後將登陸 AI 眼鏡。
AI語音
Google Antigravity 更新：接入 Gemini Live 語音，支援雲端 Agent
Google 旗下 Antigravity 迎來 v2.29.0 更新，接入 Gemini Live 驅動的語音模式，允許直接用語音與工具對話並派發任務。此外，面向 Google AI Ultra 和 Pro 訂閱者推出遠端智慧體，雲專案對話無需在本地執行。目前新版本正逐步灰度推送。
Bayworks 推出修車應用：技師口述即可自動生成車企質保報告
Bayworks 推出一款語音應用，汽車技師口述維修過程即可自動生成符合車企質保索賠格式的報告。若遺漏關鍵測量資料，應用會在提交前提醒補充，並完整保存錄音記錄。該團隊在 110 天內已進駐 80 多家經銷商，每天處理 4000 起維修。
Apple Watch 開啟常駐音訊智慧：雙擊錶冠回溯 15 秒對話，Siri 自動做摘要
Apple 在 watchOS 27.3 開發者測試版中上線「音訊智慧」功能。使用者雙擊數碼錶冠即可檢視過去 15 秒對話的文字記錄，Siri 還能自動提取交談要點並生成摘要。蘋果稱原始音訊僅在專用硬體中處理且不落地儲存，目前僅限開發者測試。
Hume AI 推出 Audio Decision API：直接聽音訊判情緒，幾分鐘搜 4 萬條錄音
Hume AI 推出 Audio Decision API，直接輸入原始音訊即可回答關於情緒與聲音的自定義問題。它無需轉文字或重新訓練，能識別客戶語氣、找出嘆氣片段，幾分鐘內可檢索 4 萬條錄音。最值得關注的是，這讓語音 Agent 終於能捕捉文字裡沒有的潛臺詞。
Audio8-TTS-Realistic 開源：6 億引數，幾秒音訊即可克隆 23 種語言
Edge0 開源文本轉語音模型 Audio8-TTS-Realistic，僅 6 億引數、體積 2.6GB。它只需幾秒參考音訊即可完成零樣本聲音克隆，支援 23 種語言。模型採用 Apache 2.0 許可證允許商用，低配消費級 GPU 也能輕鬆執行。
NVIDIA 開源 Nemotron 3.5 Transcribe：能認 8 人說話，可用提示詞控制
NVIDIA 釋出開源語音大模型 Nemotron 3.5 Transcribe。它把轉錄、區分說話人、翻譯和語音問答裝進同一個模型，支援 40 種語言轉錄與 1 小時長音訊，最多區分 8 位發言者。模型採用 MoE 架構，300 億總引數每次僅啟用約 40 億，在多項開源基準上登頂。
Bygga：把宜家說明書變成可互動的 3D 動畫，還能動嘴翻頁
開源專案 Bygga 上線，輸入宜家貨號即可將紙質說明書轉換成可旋轉、可朗讀的 3D 線稿步驟。它內建 1171 款產品且離線可用，支援拼裝時動嘴喊「下一步」免翻頁，還可用 Together AI 掃描補充說明書。程式碼以 MIT 協議開源。
騰訊混元開源 Hy-SimulMT：3 秒延遲中英同傳，還能即時克隆人聲
騰訊混元開源中英雙向即時同聲傳譯模型 Hy-SimulMT。它能在發言時同步輸出翻譯文本與語音，流式延遲約 3 秒，並支援保留髮言者音色的即時聲音克隆。官方已開放推理與微調程式碼，評測顯示其表現接近專業同傳。
Block 釋出語音模型 Dessa：不靠文本直接聽音學說話，連呼吸聲都會
Block 釋出原生即時語音模型 Dessa，不依賴文本中轉或預訓練，直接從人類語音中學會對話、語氣與情緒。模型支援全雙工即時插話，且可本地運行於消費級電腦。不過目前尚未公開，僅對 AI 安全研究人員開放測試申請。
清華開源音影片提取模型 Falcon：看嘴型抽離人聲，直連騰訊會議
清華團隊開源目標說話人提取模型 Falcon。它將攝像頭畫面與麥克風聲音對應，靠追蹤嘴部在嘈雜環境中即時提取指定人物語音，可訓練引數僅 50 萬。配套的 Falcon Studio 支援在筆記本本地執行，並能通過虛擬音訊裝置直連騰訊會議或 Zoom。
Gradium 推出端側 TTS 模型 phonon-31m-en：64.5 MB，瀏覽器本地就能跑
Gradium 團隊開源了輕量級英文語音合成模型 phonon-31m-en。基於 Pocket TTS 與 Mimi 編解碼技術，8 位量化權重僅 64.5 MB，支援邊生成邊播放的流式輸出，普通筆記本 CPU、手機乃至瀏覽器標籤頁內無需聯網即可執行，且遵循 Apache 2.0 協議開源並支援商用。
ElevenLabs 上線全新預設聲音：攜手專業配音員，音質更清晰且風格更多元
ElevenLabs 在語音合成與 Projects Alpha 中上線了全新預設聲音。這批聲音由專業配音演員合作錄製並授權，基於專業聲音克隆技術訓練，音質更清晰，且新增了愛爾蘭、義大利等口音與更豐富的表演情緒。官方表示不持有這些聲音的版權，並在探索按生成次數向配音演員分潤的新模式。
ElevenLabs 推出 Chimera：把 AI 語音與影片生成打通成一條工作流
ElevenLabs 推出新平臺 Chimera。它將平臺原有的擬真語音、配音功能與 Seedance 等影片生成工具整合在一起，創作者和企業可以直接在 ElevenLabs 應用內定製聲音並搭建完整的 AI 音影片製作流程。
Underdog 開源 Bark 3.0：163MB 語音模型，5 分鐘音訊半秒轉完
本週，Underdog 在 Hugging Face 開源語音轉文字模型 Bark 3.0，體積僅 163 MB，在蘋果 M 系列晶片上轉寫 5 分鐘音訊僅需半秒。它的英文會議錯誤率明顯低於 Whisper Large，Clean 版本還能自動過濾掉口頭禪。不過目前僅支援英文。
Mistral 釋出 Voxtral 3：打通聽想說全流程，支援 50 多種語言
Mistral 釋出 Voxtral 3 語音模型系列與語音智慧體 SDK。它將轉寫、推理、工具呼叫與語音合成打通為即時流式管線，單輪響應低於 1 秒。模型支援超 50 種語言轉寫與情緒自適應朗讀，支援私有化部署。
Yelp 推出新功能：不想打電話，讓 AI 替你問餐廳等位時間
Yelp 上線 AI 語音功能 Check for Me。使用者在餐廳主頁輸入人數與手機號後，AI 智慧體會代打電話詢問等位時長並簡訊同步結果。應用還打通了 OpenTable 訂座，並上線了商家端月費 30 美元的自動線索跟進工具。
螞蟻集團開源 Ming 3.0 TTS：用自然語言調音，支援多人播客與商用
螞蟻集團開源文本轉語音模型 Ming 3.0 TTS，支援自然語言調音、聲音克隆與多人播客生成。模型提供約 3GB 和 18GB 兩個版本，小版本可在消費級顯示卡本地執行，發音準確率居開放模型前列；全部採用 MIT 協議，允許商用。
亞馬遜 Bee 釋出兩款 AI 硬體：74.99 美元起，主打對話記錄與總結
亞馬遜旗下 Bee 推出兩款個人 AI 記錄裝置 Frontier 與 Eclipse，起售價 74.99 美元。它們能記錄日常對話並自動提煉待辦事項、同步日程，直接對標競品 Plaud Note 但價格腰斬。原始音訊處理後即焚，轉錄內容由裝置端控制金鑰加密。
xAI 釋出 Grok Voice 3.0：延遲不足 1 秒，已接管 Starlink 七成客服
xAI 釋出語音大模型 Grok Voice 3.0。其端到端延遲壓縮到 1 秒以內，在 Artificial Analysis 語音榜單拿下 86.9 分排第一。該模型已接入特斯拉車載系統，並在 Starlink 每天 2 萬通客服電話中自主解決約 70% 的訴求。API 維持每分鐘 0.08 美元。