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。
AI語音
檢視更新的新聞
Fish Audio 開源 Drama 3：單段支援 16 人分飾與區域性音訊修改
Fish Audio 開源新一代語音大模型 Drama 3。該模型採用 35B 引數的 MoE 文本骨幹，單段文本最多可容納 16 個不同角色，並支援通過標籤控制嘆氣等情緒。改詞時無需整段重錄，可直接順著上下文區域性替換。
16.9 MB 跑語音識別：Cactus 開源端側模型 Whistle
Cactus Compute 釋出端側語音識別模型 Whistle，單個權重檔案僅 16.9 MB。它無需 GPU 和額外依賴即可在 CPU 上執行，支援 7 種語言轉錄及詞級時間戳，在多項基準測試中超越了 145 MB 的 Whisper base。
Suno 上線 Speech 測試版：一段提示詞同時生成語音與背景音樂
Suno 推出音訊模型 Speech 測試版，能直接將文本同時生成人聲朗讀與原創背景音樂。使用者輸入詩歌或故事，並描述聲音與音樂風格，即可輸出單軌完整音訊。它將人聲與伴奏製作合二為一，經測試後現已向所有使用者開放。
Google 上線 Guided Vision：Gemini Live 化身視障使用者的眼睛
Google 推出 Guided Vision 功能，為盲人及低視力人群提供即時語音視覺輔助。該功能由 Google 與無障礙機構 Aira 聯合研發，使用者在 Gemini Live 中共享攝像頭，AI 不僅能解說周圍環境、讀標籤找物品，鏡頭偏了還會主動語音提醒使用者調整角度。
Microsoft 釋出 MAI-Voice-2.1：延遲低至 45ms，支援零樣本即時克隆
Microsoft 釋出 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 文本轉語音模型。兩者支援零樣本即時克隆聲音與情緒控制，涵蓋 23 種語言。Flash 版延遲僅約 45 毫秒，每百萬字元 15 美元，讓即時電話互動徹底告別機械停頓。
Tavus 推出互動模型 Griffin：48% 受測者誤以為在跟真人影片
AI 初創公司 Tavus 釋出全雙工互動模型 Griffin。它把全場景影片生成、聽覺與視覺感知融為一體，能邊聽邊點頭、自然插話，測試中讓 48% 的人誤以為在和真人視訊通話。目前輕量版 Griffin-Lite 僅面向小範圍早期測試者開放。
Inception 釋出 Mercury Voice：首 token 延遲 320 毫秒，專為語音智慧體打造
Inception Labs 宣佈擴散大語言模型 Mercury Voice 正式面向企業開放。在生產級語音提示詞測試中，該模型生成首個回答 token 的中位數時間僅 320 毫秒，比 GPT-6 Luna 快 5.9 倍，支援 128K 上下文併兼顧推理能力，能直接接入相容 OpenAI 的主流語音管道。
ElevenLabs 釋出 Eleven v4：10 秒克隆聲音，Turbo 版延遲僅 100 毫秒
ElevenLabs 釋出全新語音合成模型 Eleven v4 及其低延遲變體 Eleven v4 Turbo。新模型支援用行內標籤控制語氣與笑聲，聲音克隆僅需 10 秒音訊，支援超 90 種語言。Turbo 版本中位推理延遲約 100 毫秒，專為即時對話智慧體最佳化。
體積僅 164MB：開源語音識別模型 Phonon-2 登頂同量級榜單
Fermion Research 開源輕量級語音識別模型 Phonon-2。該模型僅 164MB，基於 NVIDIA Parakeet 最佳化，平均字錯誤率僅 5.21%，在 M5 MacBook Air 上轉錄 1 小時音訊只需 20 秒，適合在本地端側直接部署。
ElevenLabs 推出學生計劃：免費用 3 個月語音與 Agent 工具
ElevenLabs 推出學生計劃，面向美、加、英、澳及歐盟 27 國 18 歲以上高校學生，免費提供 3 個月 ElevenCreative、ElevenAgents 和 API 許可權，外加 1 年 ElevenReader Ultra。該計劃旨在降低專業 AI 工具門檻，幫助學生做科研與開發，後續將擴充套件到更多國家。
Google 推出 Gemini 3.8 即時頭像：視聽一體互動，支援 97 種語言
Google 推出 Gemini 3.8 Live with Live Avatar，上線 Gemini Enterprise。該功能將近即時影片生成與語音結合，帶來能聽、能看、能說的動態數字人，支援 97 種語言對口型同步與表情適配，並能在後臺非同步呼叫工具的同時保持對話不中斷。
ChatGPT Voice 全球升級：接入 GPT-6，動動嘴就能做演示稿和表格
OpenAI 宣佈在全球推送新版 ChatGPT Voice。語音模式現已支援郵件、日曆和 Slack 等外掛，並可由 GPT-6 系列模型驅動。它還打通了 ChatGPT Work，使用者靠純語音指令就能直接生成文件、演示稿、網站和表格，或處理複雜的瀏覽器任務。
ACTx486 互動媒體演示：看播客能隨時打斷提問，畫面主角當場回應
研究者公佈互動媒體演示 ACTx486，能把現成播客影片變成可互動內容。觀眾輕點畫面即可打斷提問、切換語言或插入 3D 物體，畫面中的嘉賓會依據公開記錄生成回應，隨後無縫接回原片。不過目前單次互動生成需數分鐘，公開演示均為提前預渲染。
Google 推出 Gemini 3.8 Flash TTS：打字就能捏聲優，支援 100 多種語言
Google 釋出 Gemini 3.8 Flash TTS 與 Flash-Lite TTS 語音合成模型。使用者輸入自然語言提示詞就能從零創造全新角色聲音，或通過 30 秒音訊快速復刻，還支援在雙人對話指令碼中逐句掌控語氣、笑聲與搭話節奏。新模型已接入 Gemini API 與 Google AI Studio。
YouTube Music 推出 Ask Music：用對話找歌，還有 AI 語音播客導覽
YouTube 在 Made On YouTube 上公佈 YouTube Music 升級，推出對話工具 Ask Music 和個性化播客導覽。使用者能通過自然對話定製歌單並探索藝人背景，還能收聽每週 AI 語音推薦簡報。兩項功能即將面向全球訂閱使用者推出。
ElevenLabs 推出 Studio 4.0：影片、配音與音樂全在一條軌道生成
ElevenLabs 推出 AI 原生影片編輯器 Studio 4.0，將影片、影像、超 1 萬種聲音的配音、音樂及音效生成整合到同一時間軸中。內建的 Studio Agent 可逐幀分析畫面生成初剪，創作者無需在多款工具間切換匯出。
ElevenLabs 推出 Studio 4.0：改文字就能重錄，還配了 AI 剪輯助手
ElevenLabs 推出音訊編輯器 Studio 4.0。它集成了超 1 萬種聲音、AI 背景音樂與音效生成，創作者只需直接修改指令碼文字即可自動重新生成語音，免去二次錄音。此外新增的 Studio Agent 還能按提示詞起草指令碼並自動排布音效剪輯。
Edge0 開源 Audio8-ASR-Infinite：視訊記憶體恆定，中英文 7x24 小時流式轉寫
Edge0 開源流式語音識別模型 Audio8-ASR-Infinite。模型支援中英雙語，轉寫延遲控制在 240 至 560 毫秒，藉助迴圈滑動 KV 快取讓視訊記憶體佔用和延遲始終恆定，適合直播聽寫和即時互動。
阿里釋出同傳模型 Qwen3.8-LiveTranslate：延遲壓到 2.3 秒，自帶原聲克隆
阿里釋出即時同聲傳譯模型 Qwen3.8-LiveTranslate。它重構為音訊與文本交織的單流架構，字均延遲壓至 2.3 秒，支援 60 種語言。新模型能即時分離說話人並克隆音色，用發言人原聲念出譯文，目前已開放 API 和線上 Demo。