ElevenLabs 推出語音轉文本模型 Scribe：支援 99 種語言，準確率超 Whisper
ElevenLabs 推出首個語音轉文字模型 Scribe。該模型支援 99 種語言轉錄，提供詞級時間戳、說話人分離及笑聲等非語音事件標記，基準測試表現超過 Whisper Large V3。目前已開放 API 和網頁端，低延遲即時版本即將上線。
AI語音
檢視更新的新聞
Hume AI 釋出 Octave：懂語境的 TTS，能聽出諷刺與怒氣
Hume AI 推出語音大模型 Octave，主打讓 TTS 真正理解文本語境。它能推斷臺詞裡的反諷與恐懼，自動調整音調與節奏，還支援用提示詞定製音色與表演指令。盲測中其音質與自然度評分均超過 ElevenLabs。
xAI 上線 Grok 3 語音模式：帶「失控」和 18+ 人格，能爆粗口與尖叫
xAI 為 Grok 3 推出全新語音互動模式，面向高階訂閱使用者開放。該功能提供未過濾的「失控」與 18+「性感」等人格，不僅會爆粗口、尖叫結束通話，還能模擬語音性愛。最值得關注的是，xAI 徹底放開內容審查，與 OpenAI 形成鮮明反差。
ChatGPT 免費版支援高階語音：GPT-4o mini 驅動，每天限時體驗
OpenAI 宣佈向所有 ChatGPT 免費使用者開放高階語音模式預覽，底層由成本更低的 GPT-4o mini 驅動。它的語調與對話節奏接近 GPT-4o 旗艦版，但設有每日使用限額，剩餘 3 分鐘時會彈出提醒，額度耗盡自動結束。
微軟 Copilot 全面取消限制：免費無上限使用語音與 o1 深度思考
微軟宣佈向所有免費使用者無限制開放 Copilot 的語音模式與 Think Deeper 深度思考功能，直接解除之前的次數與時長限制。其中深度思考由 OpenAI o1 模型驅動，支援更長的連續複雜推理。每月 20 美元的 Pro 訂閱依然保留，高峰期免費版可能會遇到延遲。
Google Drive 上線影片逐字稿：支援關鍵詞搜尋，點選文字直接跳轉畫面
Google 宣佈為 Google Drive 影片新增可搜尋逐字稿功能，向所有 Workspace 使用者推送至 3 月 26 日。介面類似 YouTube，側邊欄文本會隨播放高亮並配有搜尋框，點選文字可跳到對應畫面。只要影片開啟字幕即可使用，沒有字幕的也可以右鍵一鍵自動生成。
Luma AI 為 Dream Machine 增加免費音訊生成：一鍵為影片配音
Luma AI 宣佈為 Dream Machine 推出「影片轉音訊」功能。生成影片後點擊新增的「Audio」按鈕，就能一鍵自動配音，或通過提示詞指定音訊效果。該功能目前處於 Beta 測試階段，面向所有使用者免費開放。
AI 互相打電話嫌費勁？Gibber Link 讓智慧體直接用音訊訊號密聊
開發者推出通訊協議 Gibber Link。當兩個 AI 智慧體通電話並識別出彼此身份時，會自動從人類語音切換到基於 GGWave 的音訊訊號協議。跳過語音生成後，不僅算力開銷省下 90% 以上，通話耗時也縮短了最高 80%。
Spotify 聯手 ElevenLabs：支援用 AI 語音製作並上架有聲書
Spotify 宣佈與 ElevenLabs 達成合作，允許作者通過其 AI 語音軟體製作有聲書並分發上架。作者可選用 29 種語言的合成聲音降低錄播門檻，盤活冷門長尾書目。所有 AI 朗讀作品均會標明由數字聲音生成，並需經過平臺稽核。
Fiverr 推出個人 AI 模型：自由職業者可用自己作品訓模型並對外收費
Fiverr 宣佈推出「個人 AI 創作模型」，允許配音、設計等自由職業者用過往作品訓練專屬 AI 並向客戶收費，每月 25 美元。平臺還同步推出了用於自動回覆客戶的個人 AI 助理。這相當於讓零工群體將自身技能封裝成數字資產，不過首批僅向數千名認證創作者開放。
YouTube 公佈 2025 規劃：AI 自動配音全面開放，引入 Veo 2
YouTube 公佈 2025 年路線圖，將把 AI 多語言自動配音開放給合作伙伴計劃的所有創作者。Shorts 的 Dream Screen 還將接入 Google 的 Veo 2 生成影片背景，並啟動測試面向知名人物的 AI 肖像檢測與控制工具。
Kyutai 釋出同傳模型 Hibiki：即時法語譯英語，保留原聲與語速
Kyutai 釋出即時語音同傳模型 Hibiki，目前支援法譯英。它在即時輸出語音與文本翻譯的同時保留原說話者聲線，並依據語義自適應調節語速。官方評估顯示其自然度與音色相似度已逼近專業人類同傳。
亞馬遜重構 Alexa 臨近亮相：化身 AI 智慧體，定於 2 月 26 日預覽
據路透社報道，亞馬遜定於 2 月 26 日舉行釋出會，預覽生成式 AI 重構版 Alexa。新版 Alexa 支援連續對話，能作為智慧體替使用者自主執行任務，底層部分採用 Anthropic 技術；初期將面向小範圍使用者免費測試，後續或考慮按月收取 5 至 10 美元。
逼瘋電詐犯：英國電信商推出 AI 奶奶，每次能硬聊 40 分鐘
英國電信運營商 Virgin Media O2 公佈反詐 AI「Daisy」。它設定為 78 歲的迷糊老奶奶，專門接聽詐騙電話，靠找老花鏡、聊鬆餅食譜等瑣事裝傻拖延，單次能把騙子困在電話線上長達 40 分鐘，以減少真人受害。
Anthropic 計劃為 Claude 推出雙向語音模式與記憶功能
Anthropic CEO Dario Amodei 透露，公司計劃為 Claude 推出「雙向」語音模式和跨對話記憶功能，並將在未來幾個月釋出更聰明的模型。但過去幾個月需求激增導致算力吃緊，據傳公司正尋求以 600 億美元估值再融資約 20 億美元。
Amazon 解釋新版 Alexa 難產：幻覺必須接近零，短期內發不了
據《金融時報》報道，Amazon AGI 負責人 Rohit Prasad 表示，新版 Alexa 仍面臨幻覺和響應延遲等技術障礙。由於日常使用頻次極高，Amazon 要求幻覺率必須接近零，同時還要適配數百個第三方服務。內部員工透露，新版短期內不會上線。
VLC 演示即時 AI 字幕：完全本地離線執行，支援上百種語言翻譯
VideoLAN 在 CES 2025 演示了 VLC 播放器的即時 AI 字幕與翻譯功能。該功能採用開源 AI 模型直接在本地離線執行，不依賴任何雲端，並計劃支援 100 多種語言。不過官方目前尚未公佈正式推送的時間。
Google 測試 Daily Listen：把搜尋和 Discover 資訊變成 5 分鐘 AI 播客
Google 在 Search Labs 中測試新功能 Daily Listen，能根據使用者的搜尋歷史與 Discover 資訊流，自動生成約 5 分鐘的個性化 AI 播客。其機制類似 NotebookLM 的音訊概覽，並附帶文字轉錄。目前該功能僅面向美國 Android 與 iOS 的 Search Labs 使用者測試。
Garmin 推出 Unified Cabin 智慧座艙：生成式 AI 定製主題與分座助手
CES 2025 期間，Garmin 推出下一代 Unified Cabin 智慧座艙方案並獲創新獎。該方案基於高通 Snapdragon 平臺，不僅用生成式 AI 定製座艙主題，還為每個車位配備獨立語音助手與音響，同時藉助超寬頻技術監測車內乘員和兒童遺留。
時空壺釋出 Babel OS：把聲音克隆與預測翻譯塞進同傳耳機
Timekettle 釋出首個同傳作業系統 Babel OS，支援超 40 種語言。系統引入語義分詞預測與聲音克隆，能復刻說話者語氣並支援行業自定義詞庫，大幅降低延遲。目前已向 W4 Pro 等裝置推送 OTA，團隊未來還將推出離線端側版本。