位元組聯合清華髮布 DreamID-Omni：一張圖配聲音，搞定多人對嘴對話
字節跳動與清華大學團隊釋出 DreamID-Omni。它能接收影像、文本與參考音訊，讓虛擬角色用對應原聲說話，並解決了多人同屏對嘴混亂的問題，還支援現有影片的換臉換聲。團隊預計 3 月正式開源。
AI語音
檢視更新的新聞
漢堡王上線耳機 AI「Patty」：除了指導做漢堡，還盯員工說不說「謝謝」
Burger King 推出整合在員工耳機裡的語音 AI 助手「Patty」。它基於 OpenAI 技術，既能解答配方或裝置清潔問題，還會監測員工是否說了「請」和「謝謝」，店長可隨時查詢門店禮貌度評分。該助手正於 500 家門店試點。
OpenAI 上線 gpt-realtime-1.5：強化語音工具呼叫與指令遵循
OpenAI 在 Realtime API 中上線新模型 gpt-realtime-1.5。新模型重點提升了即時語音場景下的指令遵循、工具呼叫以及多語言準確率。也就是說，開發者在構建低延遲語音智慧體時，能更穩定地讓 AI 邊聊邊調外部介面和資料。
Wispr Flow 登陸 Android：懸浮球一鍵跨應用聽寫，速度提升 30%
AI 聽寫工具 Wispr Flow 正式上線 Android 應用。它採用懸浮氣泡互動，可在任意應用上喚醒，能自動過濾口頭語氣詞並按語境排版；底層重構讓聽寫提速 30%，還支援百餘種語言翻譯以及印地語英語混說。
CarPlay 迎來第三方 AI：iOS 26.4 首次支援 ChatGPT、Claude 與 Gemini
Apple 在 iOS 26.4 開發者指南中新增語音對話應用類別，CarPlay 首次允許 ChatGPT、Claude 與 Gemini 等第三方 AI 接入。車載介面將提供專屬語音反饋屏支援擴音問答。不過第三方 AI 無法控制車機功能，也不支援語音喚醒詞，必須手動點選開啟。
ElevenLabs 推出客服智慧體：覆蓋 90 多種語言且支援亞秒級響應
ElevenLabs 推出客服平臺 ElevenAgents for Support。它支援 90 多種語言跨語音、電話和 WhatsApp 等渠道運作，具備亞秒級響應與情緒感知能力，直接匯入現有 SOP 即可無程式碼部署。最值得關注的是，它提供超 1 萬種聲音，遇到複雜問題還能帶完整上下文平滑轉接人工。
梵蒂岡聖伯多祿大殿引入 AI 即時翻譯：支援 60 種語言聽彌撒
梵蒂岡聖伯多祿大殿聯合語言服務商 Translated 推出 AI 即時同傳。訪客掃碼就能在手機瀏覽器裡聽到或看到 60 種語言的彌撒音訊與文字，無需下載 App。底層使用的是 Translated 結合專業譯員經驗的 Lara AI 工具。
Moonshine 開放語音模型：2 億引數端側即時跑，字誤率超越 Whisper
Moonshine AI 釋出開放權重的 Moonshine Voice 語音轉文字模型，支援在 iOS、Android 和樹莓派等裝置端即時執行。其 2 億引數流式模型引數量比 Whisper Large v3 小 7.5 倍，字誤率卻更低，還內建了語音活動檢測和意圖識別功能。
T-Mobile 測試通話即時翻譯：不用裝 App，撥打 87 跨語言聊天
T-Mobile 宣佈今春測試網路級即時翻譯功能。AI 直接跑在運營商網路層，只要支援 VoLTE 通話，老式翻蓋機也不用裝 App；通話中按 87 就能即時翻譯 50 多種語言。通話不保存錄音，測試期免費，現已開放資格申請。
ElevenLabs 推出 AI 智慧體保險：出錯也能走理賠
ElevenLabs 宣佈獲得首個基於 AIUC-1 認證的 AI 語音智慧體保險。該方案經過 5000 多次對抗性模擬測試，讓企業能像為真人僱員投保一樣，為 AI 亂說話或操作失誤買單。這意味著此前卡在法律和安全擔憂上的 95% 企業級 AI 試點，終於有了落地的兜底網。
ElevenLabs 推出 Audiobooks：手稿一鍵變有聲書，支援全平臺分發
ElevenLabs 推出 Audiobooks 功能，創作者可將文本手稿一鍵轉為有聲書。它提供富有表現力的 AI 配音與場景級精細調節，支援新增音效與聲音克隆，並能直接分發至 ElevenReader 及各大主流平臺，把繁瑣的專業錄音流程壓縮為一站式工作流。
MOSS-TTS 開源：幾秒克隆聲音，支援多角色對話
OpenMOSS 開源多語言語音模型家族 MOSS-TTS，支援憑几秒音訊快速克隆聲音。該系列涵蓋聲音克隆、多角色對話、聲音設計與低延遲即時流式語音，提供 8B 與 1.7B 等輕量版本，已在 GitHub 提供部署程式碼。
SoulX-Singer：幾秒人聲克隆唱歌，不到 3GB 連 CPU 都能跑
Soul-AILab 開源零樣本歌唱合成模型 SoulX-Singer。它只需幾秒說話音訊就能克隆目標人聲，既能直接把參考歌聲轉成指定音色，也支援用自己哼唱的旋律或 MIDI 控調。模型體積不足 3GB，低端 GPU 甚至 CPU 都能本地跑起來。
Just Dub It：把影片配音成外語，口型也能自動對上
開源配音工具 Just Dub It 釋出。它基於 LTX-2 打造了輕量 LoRA 介面卡，能把影片翻譯成法語、德語等外語並同步生成匹配的唇部動作，同時保留原人臉特徵。程式碼、模型權重與訓練集已全部開源，支援消費級顯示卡部署。
UniAudio 2.0 開源：把語音合成、音效與音樂塞進同一個模型
統一音訊語言模型 UniAudio 2.0 開源，將語音合成、音效、音樂生成及風格編輯整合進同一個模型。它通過專門的離散編解碼器打通理解與生成，雖部分音樂生成質量仍有瑕疵，但成功用單模型覆蓋了全音訊任務。
Mistral 釋出 Voxtral Transcribe 2：4B 即時模型開源，延遲進 200ms
今天，Mistral AI 釋出語音轉文字模型家族 Voxtral Transcribe 2。其中 4B 引數的即時模型 Voxtral Realtime 採用 Apache 2.0 開源權重，支援端側部署且延遲可調至 200ms 以內；批次模型成本僅 0.003 美元每分鐘，覆蓋 13 種語言並支援說話人區分。
MiniCPM-o 4.5：9B 全模態端側模型，支援邊看邊聊與主動打斷
OpenBMB 開源 9B 引數全模態模型 MiniCPM-o 4.5，能同時處理音影片輸入並即時語音互動。它採用全雙工架構，不僅允許使用者打斷，模型還能每秒做一次決策主動插話提醒。模型支援本地部署，視覺與文件解析能力逼近甚至超過部分主流閉源模型。
ElevenLabs 正式上線 Eleven v3：數字與符號錯誤率直降 68%
ElevenLabs 宣佈文本轉語音模型 Eleven v3 結束 Alpha 測試並正式全面可用。新版重點修正了電話號碼、貨幣和化學式等符號讀法，錯誤率從 15.3% 降至 4.9%，測試中 72% 的使用者偏好這一版本。
MOSS-Audio 開源統一音訊模型：4B/8B 規格，集全音訊理解於一身
統一音訊理解模型 MOSS-Audio 正式開源，提供 4B 與 8B 規格，均包含 Instruct 和 Thinking 版本。該模型將語音識別、說話人分析、情感檢測、環境聲及音樂理解整合在單一架構內，時間戳 ASR 精度表現大幅領先 Gemini-3.1-Pro。
蘋果近 20 億美元收購 Q.ai：押注無聲語音與微表情互動
據外媒報道，Apple 已斥資近 20 億美元收購以色列 AI 初創公司 Q.ai，創下蘋果史上第二大收購案。Q.ai 專注面部微表情分析與「無聲」語音輸入。也就是說，未來 AirPods 或 Vision Pro 哪怕你不張嘴出聲，也能精準識別指令。