CrisperWhisper 2.0 開源：支援逐字與潤色雙模式，詞級誤差僅 30 毫秒
nyra labs 開源語音轉文本模型 CrisperWhisper 2.0，支援在保留口癖與笑聲的逐字模式，以及自動潤色的意圖模式之間自由切換。模型詞級對齊誤差低至 30 毫秒，最小版本僅 2 億引數，無需 GPU 即可在普通裝置上執行。
AI語音
檢視更新的新聞
阿里開源 Qwen-Audio-Agent：邊打電話邊讓智慧體寫程式碼
阿里開源即時語音執行時 qwen-audio-agent，主打全雙工語音前臺與後臺 Agent 並行協作。使用者能像打電話一樣隨時打斷追問，後臺同時非同步跑寫程式碼、改檔案等任務，完成後直接語音彙報。
OpenAI 推出桌面端 ChatGPT Voice：動嘴就能指揮多個智慧體
OpenAI 宣佈將 ChatGPT Voice 引入 macOS 和 Windows 桌面端。該功能由 GPT-Live 驅動，支援邊聽邊說，使用者僅憑語音即可控制電腦並排程 ChatGPT Work 或 Codex 中的多個智慧體。目前已面向 Plus、Pro 等付費訂閱使用者全球推送。
微軟推自研多模態模型：Bing 生圖已全面替換，語音速度翻倍
微軟推出自研多模態模型 MAI-Image-2.5-Pro 與 MAI-Voice-2-Flash 並開啟公測。Bing Image Creator 已全面預設切換為自研影像模型；語音模型速度提升 2 倍且成本降 32%。微軟正逐步用自研模型替代第三方技術，支援旗下全系產品。
Claude 語音模式升級：支援 Opus 與 Sonnet，還能調外部工具
Anthropic 升級 Claude 語音模式，引入 Opus 和 Sonnet 模型以處理更復雜的深度思考與討論。使用者現在還能通過語音直接呼叫 Gmail、Slack 等工具排日程、發郵件，並支援日語、韓語等 11 種語言，全平臺開啟測試。
OpenAI 推出 Presence：企業級語音與文本 Agent 平臺，自主解決 75% 諮詢
OpenAI 推出企業級智慧體平臺 Presence，支援即時語音和文本互動，幫助企業部署能調系統、按規則辦事的 AI 助手。其自用電話客服已實現 75% 獨立解決率，並通過 Codex 自動最佳化規則。目前面向特定企業定向交付，暫不開放自助使用。
Waze 升級導航：接入 Gemini 對話搜地點，還帶來「少廢話」模式
Waze 推出多項導航更新。藉助 Gemini 能力，使用者能用自然對話搜尋目的地，並語音彙報封路等地圖改動；同時新增摩托車專屬路線規劃，以及減少語音打擾的「少廢話」模式。Gemini 對話搜地點先向全球 Beta 使用者測試。
BaoCut：給剪輯配上 Agent，一句話搞定口播去廢話和字幕翻譯
影片轉寫與粗剪工具 BaoCut 釋出，支援接入 Claude Code 或 Codex，用自然語言一條命令完成口播影片的轉寫、清理語氣詞、字幕翻譯與粗剪。它自帶可編輯時間軸，改動單句無需整段重渲。最值得關注的是它把逐句對字幕的機械活全交給了 Agent，專解口播博主的痛點。
微軟 AI 聯手詩人推出 Ode Poetry：用語音模型復刻「詩歌診所」
Microsoft AI 聯合詩人 William Sieghart 推出數字體驗 Ode Poetry。該應用結合轉錄模型 MAI-Transcribe 與克隆模型 MAI-Voice，能即時傾聽使用者心緒，並以詩人的原聲語氣與推薦邏輯開出「詩歌處方」，將一對一線下諮詢推向全球。
OpenAI 釋出 GPT-Live：支援邊聽邊說，後臺可呼叫 GPT-5.5
OpenAI 推出新一代語音模型 GPT-Live，全面接入 ChatGPT 語音功能。新模型採用全雙工架構，能邊聽邊說併發出自然附和，遇到複雜問題後臺自動委託給 GPT-5.5 處理。目前兩個版本已面向全球付費及免費使用者推出。
xAI 推出 Voice Agent Builder：零程式碼做真人質感語音智慧體，每分鐘 0.05 美元
xAI 推出免程式碼工具 Voice Agent Builder。它基於 Grok Voice 技術，讓使用者無需編寫程式碼就能搭建聽感貼近真人的語音智慧體。該服務目前已經正式上線，使用成本為每分鐘 0.05 美元。
Fish Audio 旗艦語音模型 S2.1 Pro 免費開放：支援 83 種語言且不限用量
Fish Audio 宣佈將旗艦文本轉語音模型 S2.1 Pro 免費開放給開發者。該模型支援 83 種語言，最吸引人的是完全沒有呼叫量限制。這意味著開發者無需承擔高昂的語音 API 成本，就能直接在多語言專案裡接入高質量配音能力。
OASIS 推出智慧戒指 OASIS 1：對著手指低語就能打字，自帶觸控板微調
初創公司 OASIS 釋出智慧戒指 OASIS 1。它搭載隔音麥克風，利用 WisprFlow 技術讓使用者以低語方式私密聽寫轉文字，戒身上還內嵌觸控板與觸覺反饋，方便隨時微調游標與修改錯字。續航達 16 小時，首批預計 2026 年聖誕節前後發貨。
Netflix 旺卡真人秀用 AI 復活已故影星聲音：家屬授權、ElevenLabs 配音
Netflix 將於 9 月 23 日上線旺卡真人秀《Wonka’s The Golden Ticket》，預告片中採用了 AI 生成的已故影星 Gene Wilder 的聲音擔任旁白。該音訊由 AI 語音公司 ElevenLabs 製作，並已獲得 Wilder 家屬授權。這也是流媒體平臺再度嘗試合規復現逝世名人聲音。
阿里釋出 Wan Streamer：單一模型即時音視訊通話，延遲僅 200 毫秒
阿里巴巴公佈端到端互動模型 Wan Streamer，讓 AI 在視訊通話中即時看、聽並同步回應。它用單一 Transformer 統一處理音影片和文本，支援全雙工通訊，模型端延遲約 200 毫秒。目前 v0.1 仍為 192p 概念驗證，未開放即時體驗。
Lightricks 推出 ScenA：一段提示詞加人聲樣本，一次生成帶環境音的多人對話場景
Lightricks 聯合特拉維夫大學推出音訊生成模型 ScenA。輸入自由文本提示詞與參考人聲，模型能一次性生成長達 20 秒的多說話人音訊場景，自然融入環境雜音、重疊說話和情緒喘息。最關鍵的是它擺脫了逐輪指令碼和分軌生成的束縛，讓機器對話真正有了真實世界的現場感。
Cartesia 釋出 Sonic-3.5 與 Ink-2：包攬流式語音「聽說」雙榜首
Cartesia 推出語音合成模型 Sonic-3.5 與轉錄模型 Ink-2，登頂 Artificial Analysis 流式榜單。兩款模型基於狀態空間架構，首包延遲壓至 300 毫秒內並自帶輪次檢測，旨在解決語音智慧體的對話卡頓。目前已全面開放 API。
Zyphra 開源語音模型 ZONOS2：8B 引數 MoE，支援 44.1 kHz 聲音克隆
Zyphra 開源語音合成模型 ZONOS2，採用總引數 80 億、啟用 9 億的 MoE 架構，基於超 600 萬小時音訊訓練。它能以低延遲實現 44.1 kHz 高保真聲音克隆，首批支援中英日等多種語言，遵循 Apache 2.0 協議並提供本地推理服務。
ElevenLabs 推出數字人功能：輸入指令碼一鍵生成音畫同步影片
ElevenLabs 在 ElevenCreative 中上線 Avatars 功能。使用者只需選定數字人、輸入指令碼並選擇聲音，即可在單一介面完成口型同步影片生成，還支援在多場景中保持角色一致性，目前面向所有付費方案開放。
Google 釋出 Gemini 3.5 Live Translate：70 種語言準即時同傳，保留原聲音調
Google 釋出即時語音翻譯模型 Gemini 3.5 Live Translate。它不同於說完才翻的舊模式，僅落後說話人數秒即可連續翻譯 70 多種語言，並保留原聲音調與節奏。開發者即日起可呼叫 API，移動端 Google 翻譯和 Google Meet 也同步接入。