位元組釋出 Seed-Audio 1.0：一次搞定多角色對白、音效與背景音樂
火山引擎釋出豆包音訊生成模型 1.0（Seed-Audio 1.0），能在單次生成中同步編排多角色對白、情緒語氣、擬音特效與背景音樂。模型支援參考音訊與零樣本描述，可在長劇中保持音色高度統一。目前主要以 API 形式提供服務。
AI語音
檢視更新的新聞
dots.tts：小紅書開源 2B 語音模型，支援零樣本聲音克隆
小紅書開源 2B 引數端到端語音合成系統 dots.tts。它採用全連續自迴歸架構與 48 kHz AudioVAE，不使用離散 token，在評測中展現出極低的詞錯誤率與高說話人相似度，支援語音克隆與精細編輯。程式碼和權重按 Apache-2.0 協議開放。
Boson AI 釋出 Higgs TTS 3：文本加標籤調語氣，權重已開源
Boson AI 釋出語音合成模型 Higgs TTS 3，並在 Hugging Face 開源模型權重。它支援在文本流中直接插入標籤，即時控制情緒、語速、音高和停頓，覆蓋 100 多種語言。開發者給語音 Agent 配音時，能像導演調演員一樣掌控語氣細節。
Miso 開源語音模型 Miso One：8B 引數，延遲僅 110 毫秒
Miso 開源了 80 億引數的語音生成模型 Miso One。官方稱其為全球情緒最豐富的聲音模型，具備高度擬真的人類情感表達，且延遲僅 110 毫秒，響應速度比人類對話還快。目前模型權重已公開，官方 API 即將上線。
ByteDance 提出 WavTTS：直接建模原始波形，幾秒克隆聲音
ByteDance 提出零樣本語音合成模型 WavTTS。它基於 DiT 與流匹配，跳過傳統的潛空間壓縮，直接對原始音訊波形建模以避免資訊損失。最值得關注的是，它僅需幾秒樣本就能生成自然語音，大幅縮減了原始波形建模與主流模型之間的質量差距。
Brilliant 推出 AI 家教 Koji：拒絕直接給答案，在螢幕畫批註帶你思考
Brilliant 推出名為 Koji 的「圖形化私教」。它不直接給答案，而是能看懂使用者的螢幕操作與停頓，通過語音交流、螢幕高亮和圖表批註來引導解題。目前該功能已在 Brilliant 大多數數學和程式設計課程中上線。
百度開源音影片模型 NAVA：63 億引數，畫面與聲音原生同步
百度 ERNIE 團隊開源音影片同步生成模型 NAVA，引數量僅 63 億。它告別了先渲染畫面再後期配音的路線，直接原生聯合生成畫面與雙聲道音訊，支援參考音訊控制音色。8 卡並行約 1 分鐘即可生成 1 分鐘 720p 音畫同步影片。
ElevenLabs 推出 Dubbing v2：跨語言配音也能保留原聲情緒
ElevenLabs 推出新一代配音模型 Dubbing v2。新模型主打跨語言情緒與表演細節的保留，能把原聲的情緒起伏完整遷移到目標語言中。這意味著 AI 配音不再只是乾癟的臺詞朗讀，影片出海本地化聽起來將更像原聲出演。
Spotify 推出 AI 個人播客：丟個 PDF 或提示詞，自動生成私密音訊
Spotify 在 2026 投資者日上公佈 Personal Podcasts 功能，使用者只需輸入提示詞或匯入 PDF、網頁連結，AI 就會結合全網知識與個人聽歌偏好，生成專屬的私人簡報或深度播客。下月起面向美國 Premium 使用者開放。此外，播客即時提問功能現已在美、瑞、愛三地上線。
阿里雲釋出 Qwen 3.5 Live Translate：邊看邊聽搞同傳，延遲僅 2.8 秒
阿里雲釋出即時多模態翻譯模型 Qwen 3.5 Live Translate。它不僅聽語音，還能結合畫面等視覺上下文精準翻譯，支援 60 種語言與即時聲音克隆，平均語音延遲僅 2.8 秒。目前官方已上線免費 Demo。
Mega ASR 開源：專啃嘈雜爛音訊，不到 5GB 消費級顯示卡就能跑
語音識別模型 Mega ASR 正式釋出，專攻真實環境下的抗噪轉錄。它通過 260 萬個樣本覆蓋混響、削波與遮擋等問題，在惡劣聲學條件下比主流模型提升近 30%。整體不到 5GB 並開放微調指令碼，大多數消費級顯示卡就能在本地執行。
Meta 推出 WavFlow：跳過潛空間壓縮，直接在原始波形上給無聲影片配音
Meta 推出音訊模型 WavFlow，跳過潛空間壓縮，直接在原始波形中生成 44.1kHz 高保真音訊。它能為無聲影片自動配上同步音效，打鼓等動作基本能對齊。不過受政策限制，官方僅開源了程式碼與指令碼，未放出完整權重。
亞馬遜上線 Alexa Podcasts：說個話題，AI 幾分鐘生成定製播客
亞馬遜為美國 Alexa+ 訂閱使用者推出 Alexa Podcasts 功能。使用者只需說出感興趣的話題，即可通過語音調整大綱與時長，幾分鐘內生成由 AI 主播朗讀的定製播客。內容整合了美聯社、路透社等 200 多家媒體資源，可通過 Echo Show 或 App 播放。
浙大展示 AudioHijack：把惡意指令藏進音訊，悄悄劫持 AI 語音助手
浙江大學研究團隊展示了名為 AudioHijack 的音訊攻擊技術。它能把人耳無法察覺的指令藏在普通音訊中，以 79% 至 96% 的成功率劫持大音訊語言模型，誘導其搜尋敏感內容或洩露資料。該方法對微軟和 Mistral 的商用語音模型同樣有效。
Edge 升級 Copilot：能跨標籤頁比價分析，網頁還能一鍵轉播客
Microsoft 更新 Edge 桌面端與移動端應用，將 Copilot 深度整合進瀏覽器。新版支援跨多標籤頁推理、結合瀏覽歷史與長期記憶回答，並帶來 Voice 與 Vision 擴音互動；桌面端還新增播客生成和學習模式。同時，舊版「Copilot Mode」正式退役。
Resemble AI 釋出 DramaBox：像寫劇本一樣控制語音，嘆氣大笑全聽指揮
Resemble AI 釋出表現力語音模型 DramaBox。它像劇本一樣工作：引號內念臺詞，引號外用自然語言寫情緒、嘆氣或笑聲等舞臺指示，還能克隆音色。最關鍵的是它不僅自帶抗篡改水印，還開放了本地模型下載，不過本地執行需要 24GB 視訊記憶體。
開源 2B 文本轉語音模型：幾秒音訊克隆聲音，5GB 視訊記憶體可跑且可商用
一款 20 億引數的開源文本轉語音模型釋出，只需幾秒音訊即可實現零樣本聲音克隆，連耳語和結巴等細節也能還原。該模型支援跨語言合成，基礎大小僅約 5GB，能在消費級顯示卡上執行，並採用 Apache 2 許可證完全開放商用。
Scenema Audio 開源：從 LTX 2.3 提取的語音模型，用舞臺提示詞演情緒
ScenemaAI 開源情感語音模型 Scenema Audio。它從 LTX 2.3 中提取出音訊擴散架構，允許用舞臺動作標籤即時控制情緒起伏與環境音效，還支援零樣本聲音克隆。模型最低僅需 16GB 視訊記憶體即可本地執行，支援 13 種語言。
Thinking Machines 推出互動模型：拋棄輪流說話，200 毫秒級原生即時協作
Thinking Machines 釋出互動模型研究預覽。它徹底拋棄了你一句我一句的傳統對話架構，改用 200 毫秒微輪次持續處理音影片與文本，並在後臺非同步呼叫深度推理。AI 不僅能邊聽邊說、主動插話，還能在交流同時呼叫工具檢索，讓協作更像真人互動。
xAI 語音模式登陸 CarPlay：Grok 走出特斯拉，車機擴音即可對話
xAI 推出 Apple CarPlay 版 Grok 語音模式，車主可在中控屏免提向 AI 發問。該功能需 iOS 26.4 支援，受限於蘋果防分心規則，互動僅限語音、不顯示圖文。此前 Grok 僅內置於特斯拉，現已借 CarPlay 走向更多車型。