Audible 推出 AI 聽書製作工具：提供 100 多種音色，還能跨語言克隆聲線
Audible 面向出版商推出 AI 製作方案，提供 100 多種英、西、法、意多口音 AI 音色，支援託管與自助生產。今年晚些時候還將測試 AI 翻譯，包括能保留原配音聲音與風格的語到語翻譯。音訊製作門檻將大幅降低。
AI語音
檢視更新的新聞
Nvidia 開源語音模型 Parakeet-TDT-v2：1 秒轉錄 1 小時音訊
Nvidia 在 Hugging Face 開源語音識別模型 Parakeet-TDT-0.6B-v2。引數量 6 億，在自家 GPU 上僅需 1 秒就能轉錄 1 小時音訊，登頂開源 ASR 榜單。最值得關注的是其採用 CC-BY-4.0 協議，允許開發者免費商用。
NotebookLM「播客概覽」支援超 50 種語言：多語種資料直接講中文
Google 宣佈 NotebookLM 的音訊概覽現已支援超過 50 種語言。藉助 Gemini 的原生音訊能力，設定裡新增了「輸出語言」選項。也就是說，哪怕同時餵給它葡語影片、西語論文和英文資料，它也能全用你選定的語言聊出一期播客。
Meta 推出獨立 Meta AI 應用：內建 Llama 4 與全雙工語音，接管智慧眼鏡
Meta 推出基於 Llama 4 的獨立 Meta AI 應用。新應用主打語音互動，內建全雙工語音 Demo，並直接合並了 Ray-Ban Meta 智慧眼鏡的控制功能。最關鍵的是，它能結合 Facebook 和 Instagram 偏好提供個性化回答。語音功能先在美加澳新上線。
Yelp 推出 AI 接線員：幫餐廳接電話、訂座並攔截騷擾
Yelp 宣佈推出面向餐廳與本地服務商家的 AI 電話接聽功能。該系統能幫餐廳自動處理訂座、排隊登記、解答常見問題並攔截垃圾騷擾電話。最值得關注的是，它試圖讓忙碌的小商家不再漏接潛在客源，不過該功能目前仍在開發階段。
Ray-Ban Meta 眼鏡全量推送即時翻譯：支援 4 語互譯且可離線
Meta 宣佈向所有發售市場的 Ray-Ban 智慧眼鏡使用者全量推送即時翻譯功能。該功能支援英語、法語、義大利語和西班牙語之間的語音互譯；使用者只要提前下載語言包，沒有網路也能離線使用。此外，通過眼鏡收發 Instagram 訊息等功能也即將上線。
xAI 推出 Grok Vision：手機鏡頭對準現實物體就能問，iOS 先上
xAI 宣佈為 Grok 推出視覺功能 Grok Vision，拿手機對準商品、標誌或文件就能直接提問，語音模式也同步加入了多語言與即時搜尋。目前視覺功能僅限 iOS 端 Grok 應用，Android 使用者暫未開放。
兩名大學生零預算造出 Dia：16 億引數開源語音模型直逼 ElevenLabs
韓國團隊 Nari Labs 開源了文本轉語音模型 Dia。該模型由兩名幾乎沒有 AI 經驗的本科生在零外部融資下開發，引數量為 16 億，支援情緒語調、多說話人及笑聲、咳嗽等副語言表達，對比測試表現逼平甚至超越 ElevenLabs。這也印證了個人開發者叫板行業巨頭的可能性。
PlayAI 推出變聲器 Voice Changer：用 10 秒音訊克隆任意聲音
PlayAI 推出 Voice Changer。只需提供 10 秒音訊樣本，就能將聲音轉換為目標聲音，並保留原有情緒與語調。該功能支援手機端即時執行，主打單次錄音變出多種聲音，降低配音製作成本。
ElevenLabs 升級對話 AI：支援不同專屬智慧體間無縫轉接通話
ElevenLabs 宣佈 Conversational AI 支援在智慧體之間無縫轉接通話。企業內不同團隊可以並行開發專屬 Agent，各自搭載獨立的知識庫與工具。這意味著複雜的企業語音流程不用再塞進一個大雜燴模型，分工協作更清晰。
把肖像權賣給 AI 公司後，演員後悔了：分身被用來推銷假藥與搞宣傳
據法新社報道，多名演員將面孔與聲音授權給 Synthesia 等 AI 影片平臺後，發現自己的數字分身被用於虛假醫療廣告、末日預言甚至政變宣傳。由於簽署的合同充斥著廣泛且不可撤銷的授權條款，他們事後根本無法要求下架影片。
Anthropic 正為 Claude 研發語音模式：最快本月上線，對標 ChatGPT
據彭博社報道，Anthropic 正準備在 Claude 中上線語音助手功能，正面迎戰 ChatGPT。新功能預計最快本月推出，首發提供 Airy、Mellow 和 Buttery 三種英文音色。此前其首席產品官已確認內部正在測試語音原型。
Google 公佈 DolphinGemma：把海豚叫聲塞進 Pixel 手機即時解析
Google 聯手喬治亞理工學院及 WDP 公佈 DolphinGemma 進展。該模型基於 Gemma 架構開發，約 4 億引數，能像預測下個單詞一樣預測海豚聲音序列，且可直接在 Pixel 手機上離線執行。Google 計劃在 2025 年夏天將該模型開源。
Google Vertex AI 湊齊多模態：上線音樂模型 Lyria，升級 Veo 2 影片編輯
Google Cloud 將文本生成音樂模型 Lyria 引入 Vertex AI 白名單預覽，成為首個集齊影片、影像、語音和音樂全模態的企業平臺。同時 Veo 2 增加運鏡控制與影片修圖，Chirp 3 支援 10 秒音訊克隆聲音。目前新能力均需申請白名單。
ElevenLabs 推出 MCP 服務：Claude 與 Cursor 可直接生成語音
ElevenLabs 釋出官方 MCP 服務端，支援接入 Claude Desktop、Cursor 和 Windsurf。開發者在對話介面就能直接讓 AI 生成語音、克隆聲音或轉錄音訊，還提供了無需本地部署的託管版。
Spotify 推出 AI 廣告工具：免費生成指令碼與配音，上線 SAX 平臺
週四，Spotify 宣佈在廣告平臺中整合生成式 AI 工具，美加兩地的營銷人員可免費生成音訊廣告指令碼和 AI 配音。同時，Spotify 還推出了程式化交易平臺 SAX，支援廣告主通過即時競價觸達聽眾。這讓品牌投放音訊廣告的門檻大幅降低。
AudioX 開源：不到 6GB 的全能音訊模型，看影片切點自動配音
統一音訊模型 AudioX 開原始碼，體積不到 6GB，可直接在消費級顯示卡本地跑。它支援文本、影像或影片輸入，能識別影片剪輯點對齊音效，還支援音訊修復和續寫；純音樂音質雖非頂尖，但多模態生成覆蓋極全。
腦機介面新突破：AI 將腦電波轉為原聲語音，延遲降至 1 秒內
本週發表在《自然·神經科學》的一項研究顯示，加州大學伯克利分校與舊金山分校團隊研發出新型腦機介面系統。該系統結合流式 AI 演算法與腦皮層感測器，患者默唸時能在 1 秒內直接合成其受傷前的原聲，此前同類技術需延遲 8 秒。
Tinder 推出 AI 搭訕小遊戲：語音和 AI 聊天，還能給你打分
Tinder 推出基於 OpenAI 技術的限時小遊戲 The Game Game。使用者可以抽取不同人設卡片，用語音與 AI 模擬邂逅並嘗試約會，系統會用火焰表情打分並給出溝通建議。目前該功能僅限美國 iOS 使用者限時體驗。
Amazon 開啟 Alexa Plus 早期訪問：先上帶屏裝置，多項承諾功能跳票
Amazon 正式面向少數使用者開啟 AI 助手 Alexa Plus 的早期訪問。目前它只支援 Echo Show 8、10、15 和 21 等帶屏裝置，能叫 Uber、寫郵件或總結文件，但此前演示的語音買菜和點外賣等功能都尚未上線。