MiniMax 釋出 Speech-02 語音模型：支援單次 20 萬字輸入與亞秒級流式輸出
MiniMax 推出新一代語音模型 Speech-02。模型支援將任意檔案或連結直接轉成擬真語音，單次文本輸入上限達 20 萬字，支援 30 多種語言、無限聲音克隆以及亞秒級流式輸出，適合製作長音訊和播客。
AI語音
檢視更新的新聞
ElevenLabs 上線 Actor Mode：用你自己的聲音，指導 AI 怎麼讀臺詞
ElevenLabs 宣佈在 Studio 中面向所有使用者上線 Actor Mode。使用者可以直接用自己的聲音來指導 AI 聲音的語調、節奏和情緒走向。最值得關注的是，這讓創作者不僅能選音色，還能當「導演」精細調教臺詞演出了。
Krisp 推出即時 AI 口音轉換：通話中把印度口音秒變美式
音訊軟體 Krisp 宣佈上線口音轉換 Beta 功能，可保留說話人原本音色，僅即時替換音素，先期支援將印度英語口音轉為美式英語。官方稱企業測試中銷售轉化率提升了 26.1%。不過媒體實測反饋聲音略顯不自然，偶有漏詞，模型仍在持續最佳化。
Groq 聯手 PlayAI 推出語音模型 Dialog：支援阿拉伯語，每秒 140 字元
Groq 與 PlayAI 宣佈達成合作，將語音模型 Dialog 部署至 GroqCloud 平臺。Dialog 引入自適應語音語境技術，能結合上下文調整語氣情緒，且首發支援英語與阿拉伯語。得益於 Groq 的 LPU 晶片，生成速度達每秒 140 字元，比 GPU 快約 60%。
Otter 推出會議智慧體：支援語音插話，能翻歷史記錄當場答疑
Otter 推出三款 AI 智慧體，其中 Meeting Agent 支援在會議中進行自然語音互動。它能調取公司歷史會議資料直接開口答疑，還能當場安排日程和起草郵件。目前該功能已在 Zoom 上線並逐步推送，後續將支援 Teams 和 Google Meet。
語音 AI 公司 Cartesia 獲 6400 萬美元 A 輪融資：上線 Sonic 2.0
即時語音 AI 初創公司 Cartesia 宣佈完成 6400 萬美元 A 輪融資，由 Kleiner Perkins 領投。團隊將用這筆資金擴充團隊並研發下一代語音模型與基建，其主打的新一代模型 Sonic 2.0 也於當天同步上線並開放免費試用。
ElevenLabs 語音轉文字降價 45%：Scribe 模型限時免費
ElevenLabs 宣佈將其語音轉文字模型 Scribe 的大規模呼叫價格下調 45%，並在 4 月 9 日前通過網頁 UI 提供免費試用。官方稱該模型支援 99 種語言。這意味著多語言音訊轉寫的大規模使用成本明顯降低。
傳 Meta 即將推出 Llama 4：主打原生語音且支援即時打斷
據外媒報道，Meta 計劃在數週內釋出旗艦模型 Llama 4，重點升級語音功能。該模型為原生處理文本和音訊的「全模態」架構，允許使用者隨時打斷說話，體驗對標 ChatGPT 的語音模式。此前 DeepSeek 的崛起也促使 Meta 全力加速研發。
ElevenLabs 聯手 Google Cloud：語音 AI 上架雲市場，支援 Gemini 2.0 Flash
ElevenLabs 宣佈與 Google Cloud 達成合作，其語音 AI 模型現已上架 Google Cloud Marketplace。企業能直接結合 Gemini 2.0 Flash 打造低延遲的對話智慧體與多語言配音，無需漫長採購即可在雲端規模化部署。
Prime Video 測試 AI 配音：先給 12 部影視片補上英語與西語
Amazon 旗下流媒體 Prime Video 宣佈正在測試 AI 輔助配音，首批涵蓋 12 部此前缺乏配音支援的影視內容。該功能支援英語與拉美西班牙語，由 AI 配音結合人類專業人員把控質量，旨在低成本為片庫補齊多語種音軌。
Perplexity macOS 版上線語音模式：按快捷鍵直接開口搜
Perplexity 為其 macOS 客戶端上線全新語音模式。使用者按下快捷鍵 ⌘ + ⇧ + M 即可直接開口提問和搜尋，無需手動打字。通過 Mac App Store 下載或更新應用即可體驗。
xAI 開放 Grok 語音模式：所有 iOS 使用者均可免費使用
xAI 在 Grok iOS 應用中面向所有使用者免費上線語音模式（Voice Mode），無需付費訂閱即可進行語音對話。這意味著 Grok 正在降低多模態互動的使用門檻，直接在移動端與其他主流 AI 助手競爭。
德國電信聯手 ElevenLabs：Magenta AI 能把新聞一鍵變播客
德國電信宣佈與 ElevenLabs 達成戰略合作，將其 Gen FM 技術接入 Magenta AI 應用。使用者能在幾秒內把新聞文章轉成高質量沉浸式播客，或按提示詞定製音訊內容。德國電信同時參投了 ElevenLabs 的 C 輪融資，未來計劃將語音能力擴充套件至更多服務。
ElevenLabs 接入 Claude 3.7 Sonnet：給語音 Agent 裝上推理大腦
ElevenLabs 宣佈在其 Conversational AI 平臺接入 Claude 3.7 Sonnet。開發者現在可以結合該模型的混合推理能力與擬真語音，構建幻覺更少、長對話表現更穩的客服與虛擬導師 Agent。
微軟釋出 Dragon Copilot：融合聽錄與環境感知，統一醫療語音助理
微軟釋出醫療 AI 助手 Dragon Copilot。它整合了 Dragon Medical One 的語音聽寫與 DAX Copilot 的環境感知能力，支援自動生成多語言病歷並處理醫囑，單次就診可節省 5 分鐘。產品預計 5 月在美加正式推出。
蘋果 AI 推進受阻：對話式 Siri 或延至 iOS 20，使用率被曝極低
據彭博社最新通訊披露，蘋果在 AI 落地上面臨多重技術阻礙，更像 ChatGPT 的對話式 Siri 進展落後，員工認為最早要到 iOS 20 才會上線。內部資料還顯示 Apple Intelligence 實際使用率極低，iOS 19 恐難見重大 AI 更新。
全球最大呼叫中心部署 AI：即時消除印度員工口音，股價卻跌了 11%
據彭博社報道，全球最大外包呼叫中心巨頭 Teleperformance 宣佈採用 Sanas 的 AI 技術，零延遲中和印度客服員工口音。雖然高管堅稱這能縮短通話時間並提升滿意度，但在宣佈向 AI 投入高達 1.04 億美元后，其股價大跌 11%，市場顯然對這筆鉅額開支和輿論爭議存疑。
Oculus創始人再創業做Sesame：擬真語音叫板主流助手，還要造AI眼鏡
Oculus 前 CEO 創辦的 Sesame 結束隱身狀態，公佈極具擬真表現力的語音技術並開放體驗，同時宣佈正在研發全天候陪伴的 AI 眼鏡。該模型支援自然打斷與流暢互動，官方計劃在未來數月開源並支援 20 多種語言。
微軟釋出 Phi-4 小模型：支援音畫同傳，端側跑出多模態
微軟釋出端側小模型 Phi-4-multimodal（5.6B）與純文本模型 Phi-4-mini（3.8B）。其中 5.6B 模型能在單架構內同時處理語音、影像和文本，並在 OpenASR 榜單以 6.14% 詞錯誤率登頂，後續將整合進 Copilot+ PC。
Microsoft Copilot 登陸 Mac：快捷鍵一鍵喚醒，語音支援隨時打斷
Microsoft Copilot 正式上線 Mac 平臺。新版支援使用 Option + 空格快捷鍵在任意應用上方全域性撥出，內建播客風格的 Copilot Daily 音訊資訊，其語音對話還支援隨時打斷和糾錯。Mac 使用者無需頻繁切換視窗即可隨手呼叫 AI 助手。