使用 GPT-Live-1 构建应用？为它们打造合适的声音。以下介绍如何通过提示词塑造声音，或从全新的国际预设声音中进行选择：
使用 GPT-Live-1 构建应用？为它们打造合适的声音。 以下介绍如何通过提示词塑造声音，或从全新的国际预设声音中进行选择：
全部动态 · 今日2条
#语音
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
OpenAI Developers · X15 量子位17 网易巴格树为用户产品建议提供10万元奖励
网易有道的 AI 语音智能体网易巴格树启动用户共创计划，为产品建议提供总额10万元的奖励，共设11个名额，个人最高可获5万元。该计划不要求参与者具备教育背景或职业背景方面的资历。入选贡献者还将获得共创者证书、网易纪念身份卡，并可直接获得面试机会。
Mustafa Suleyman · X30 微软称 MAI 是 OpenRouter 上准确度最高、最受欢迎的转录模型
MAI 是 OpenRouter 上准确度最高、最受欢迎的转录模型，适用于所有语言和使用场景。 现在就为你的智能体试试吧！👇 https://t.co/rHOlsQWzro
AI at Meta · X40 Meta Omnilingual ASR 获评《时代》2026 年最佳发明之一
我们很自豪地宣布，Meta Omnilingual 自动语音识别（ASR）已获评《时代》2026 年最佳发明之一！ Meta Omnilingual ASR 是一套模型，可为 1,600 多种语言提供 ASR 功能，其中包括 500 种此前从未 https://t.co/V4Wwcr8wVF
AI at Meta · X38 Meta Omnilingual ASR 获评《TIME》2026 年最佳发明之一
我们很自豪地与大家分享，Meta Omnilingual 自动语音识别（ASR）入选了 @TIME 评选的 2026 年最佳发明！ Meta Omnilingual ASR 是一套模型，可为 1,600 多种语言提供 ASR 能力，其中包括 500 种此前从未获得充分覆盖的语言 https://t.co/pQjBPvE5XG
Hugging Face Blog精选74 Granite Switch 4.1 在一个端点中整合聊天、决策与语音
IBM 发布了 Granite-Switch-4.1-8B 和 -30B，通过一个托管端点整合了聊天、通用决策 aLoRA、专用 Guardian aLoRA，以及 Granite-Speech-5.0-Turbo-CTC 转录功能。IBM 表示，组合模型使用的 GPU VRAM 与基础模型大致相同，因为适配器会复用基础模型的 KV 缓存。用户还可以使用 Granite Libraries 适配器组合自定义 Switch 模型；IBM 计划推出用于在 Mellea 中训练适配器的 Adapter SDK。
推荐理由：共享 KV 缓存和模块化适配器提供了一种切实可行的方法，可将通用决策、专用决策与转录功能结合起来，同时让 GPU 内存用量接近基础模型。
Simon Willison48 Simon Willison 的 Chirp Pong 实验通过音频网络实现联机
Simon Willison 表示，他的实验展示了两名玩家可以在各自的手机上运行一款游戏，并通过麦克风检测到的啁啾声传输游戏状态。这个游戏是一种具有竞争性的类 Pong 体验，并加入了图形和玩法上的变化。原文最后提到“Claude Code 中的 Claude Opus 5.5 Extra”，但没有解释它与该实验有何关系。
OpenAI · X62 GPT-Live-1.1 为 ChatGPT、Codex 和 dots 带来新语音和更自然的口音
OpenAI 的 GPT-Live-1.1 为 ChatGPT、Codex 和 dots 中的语音功能带来新语音、更自然的口音，以及更少的“正在检查……”。 法语、德语、印地语、墨西哥西班牙语、韩语和日语现已推出新语音。 今天起向所有用户逐步推出。即将登陆 API。
The Verge · AI66 亚马逊 Bee 新增两款设备和一项含购物建议的订阅服务
亚马逊宣布推出售价 74.99 美元的 Bee Frontier 可穿戴设备，今日开售；以及售价 99.99 美元的 Bee Eclipse 手机配件，即将上市。与此同时，亚马逊还推出了每月 11.99 美元的 Bee Pro 订阅服务。两款设备都能将日常对话转化为摘要、文字记录、洞察和待办事项；Pro 还增加了应用集成功能，以及根据对话内容提供的亚马逊购物建议，用户可选择是否启用。亚马逊表示，其 Private Compute 架构会对文字记录、摘要和待办事项进行加密，设备不会存储音频录音。
vLLM · X61 vLLM-Omni 现已支持 Fish Audio Drama 3
vLLM-Omni 现已支持 Fish Audio Drama 3，可通过 /v1/audio/speech 提供语音克隆、说话人标签、富有表现力的语音输出，以及 44.1 kHz 音频流式传输。 已合并的优化 PR 报告称，在一台 H200 上可支持 128 路并发流，中位首段音频耗时为 255 ms，每秒生成 222.2 秒音频；两个阶段共用 GPU。数据为 5 次运行的平均值，每次运行使用 1,088 条 Seed-TTS-Eval 英语请求，并采用预编码的语音参考。 试用当前上游版本： vllm serve fishaudio/drama-3 --omni --port 8091 使用指南：https://github.com/vllm-project/vllm-omni/blob/main/recipes/fishaudio/Drama-3.md
Artificial Analysis · X72 Grok Voice 3.0 以 86.9 分领跑 Artificial Analysis 语音到语音指数
Artificial Analysis 通过 SpaceXAI Realtime API 使用 Rex 声音评测了 SpaceXAI 的 Grok Voice 3.0，报告称其语音到语音指数得分为 86.9，排名第 1，高于 Grok Voice 2.0 的 81.3。它在竞技场偏好排名中位列第 3，任务成功率以 94.8% 位列第 1。在 Big Bench Audio 上，平均首次音频响应时间为 0.81 秒，而 Grok Voice 2.0 为 0.70s；输入音频价格仍为每小时 $4.80。
Artificial Analysis · X精选78 Fish Audio 的 Drama 3 Preview 在 Artificial Analysis TTS 排名中领先开放权重模型
Artificial Analysis 报告称，Fish Audio 的 Drama 3 Preview 在其全部三个文本转语音排行榜中均位列开放权重模型第 1，并在所有模型的发音稳健性排名中领先。其发音稳健性得分为 93.2%，高于 Eleven v4 的 91.7% 和 Eleven v4 Turbo 的 90.1%；在 Provider Voice 中排名第 10，在 Controlled Voice 中排名第 14。其权重可在 Hugging Face 上获取，遵循 Fish Audio Community License；Fish Audio API 的价格为每 100 万字符 15 美元。
推荐理由：该比较将发音稳健性与语音偏好排名区分开来，展示了 Drama 3 Preview 在一项指标上的领先优势与其在其他排名中的位置有何不同。
NVIDIA AI · X17 通过 ASR 和 LLM 微调定制垂直领域语音智能体 https://t.co/dBSfkUiKeX
通过 ASR 和 LLM 微调定制垂直领域语音智能体 https://t.co/dBSfkUiKeX
TechCrunch · AI57 前 Plaud 高管为 Ambi 筹集 2600 万美元，这款 AI 应用可在后台监听
前 Plaud 高管 Peter Mo 创办的初创公司 Ambi 已在多轮融资中筹集 2600 万美元，融资由 Luminous Ventures 和 Huaqin 领投。该公司正在推出适用于 iPhone、Mac 和 Apple Watch 的应用，可全天捕捉对话，并配备 AI 智能体，旨在提供建议并在会议期间开始执行任务。Mo 表示，环境录音功能默认关闭，但用户仍有责任告知他人；Ambi 称不会存储录音，并会对数据加密，但未说明加密方式。
TechCrunch · AI38 PolyAI 和 Otter 高管表示，语音 AI 还没有迎来属于自己的 ChatGPT 时刻
PolyAI 首席技术官 Shawn Wen 表示，尽管全双工模型能够边听边说，语音 AI 仍需要更快的推理速度，才能让对话听起来自然。Otter 首席营销官 Alex Gay 表示，准确的转录、语言理解和富有表现力的语音对于实现自动化和建立信任都很重要。两位高管还强调，语音 AI 工具应告知人们，他们正在与 AI 对话或正在被录音。
Artificial Analysis · X55 HeyGen Voice 登顶 Artificial Analysis 的 Controlled Voice TTS Arena 排行榜
HeyGen Voice 在 Artificial Analysis 的 Controlled Voice TTS Arena 排行榜中排名第 1。该排行榜使用相同的 8 种克隆语音，对美式和英式英语进行评估。 它在 1,468 次竞技场参评中的 Elo 评分为 1,201，高于 Qwen-Audio-3.1-TTS-Plus 的 1,182 和 Eleven v4 Turbo 的 1,166。 HeyGen Voice 的发音稳健性得分为 83.1%，在 29 个模型中排名第 10；费用为每 100 万字符 30 美元，生成速度为每秒 40 个字符。
The Verge · AI38 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
Alexa Plus 是目前评测过最好的智能家居助手，能理解“我冷了”这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒，还能上传食谱照片辅助做饭。但它在个人助理场景表现不成熟，Echo Show 上的全屏广告严重干扰体验，Echo Dot Max 是无广告运行 Alexa 的最佳选择。
Hugging Face Blog40 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，主打阿联酋方言
阿布扎比技术创新研究院（TII）发布 1.6B 参数的语音识别模型 Falcon-ASR，主打阿拉伯语及阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，比所用榜单快照中最佳公开结果 23.17% 低 2.25 个百分点；内部阿联酋方言评测 WER 22.73%、CER 10.19%，优于 Qwen3-Omni。
Gemini App · X60 Gemini Live 新增 Guided Vision 实时视觉辅助功能
Google Gemini 宣布在 Gemini Live 中推出 Guided Vision。这项功能与盲人和低视力群体共同打造，可提供对话式实时视觉辅助。用户现在可以共享摄像头，获取动态语音描述和自然的口头重新定位提示，以探索周围环境。
AWS Machine Learning Blog36 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可搭建一套航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
The Verge · AI34 Amazon Alexa Plus 被曝持续数分钟循环哼唱“lalala”的诡异 bug
Amazon Echo 音箱上的 Alexa Plus 出现 bug，会在与用户对话中途反复说唱“lalala”长达数分钟，被追问时还完全意识不到自己的行为。该问题近几周在 Reddit 上被多次报告，涉及多款 Echo 音箱，最近一次报告在三天前。Amazon 已确认这是影响“少数 Alexa Plus 用户”的 bug，正在修复中。
TechCrunch · AI58 Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重建为面向音乐专业人士的 AI 工具公司。两年前他参与了对这家图像生成初创的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一起公布新方向。
The Decoder58 Suno 推出 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增 Speech 功能，可同时生成朗读语音与匹配的背景音乐，并合成为单条音轨。用户输入想法或文本，再描述想要的音色和音乐风格，模型即生成语音与声音。
Mustafa Suleyman · X47 Microsoft 在 Vercel 上提供语音与流式转录模型
使用全球最佳的语音和流式转录模型构建你的智能体……现在可在 @vercel 上轻松使用 质量和速度排名第一……比任何其他超大规模云服务商都便宜……还比 Eleven Labs 便宜整整 60%
The Decoder65 Microsoft AI 发布面向语音智能体的转写与语音合成模型
Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟略超 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。
The Verge · AI58 Suno 上线语音生成功能，可同时生成人声与配乐
Suno 推出语音生成功能 Speech，已在其网页端和移动端开启公开测试，可根据脚本或提示词描述生成人声，并同时生成配套背景音乐。该功能提供 Simple 和 Advanced 两种模式，Advanced 可自定义脚本并调整 AI 声音性别、语音风格和每次生成的多样性，最长时长约 8 分钟，背景音乐可用开关关闭。
Andrej Karpathy · X62 Karpathy 分享理解模型输出的四种提示技巧
Andrej Karpathy 分享让大语言模型帮助理解其输出的几种做法：要求用 ASD-STE100 受控语言规范写作，或放宽到 80% 的程度；要求生成图表；要求以 HTML 输出交互式网页；以及生成定制讲解视频，例如用 ElevenLabs API key 配音的 3b1b 风格视频。他认为随着模型变强，更多工作会上升到监督与理解层面，而模型也能生成此前不值得制作的大型定制软件产物。
The Decoder66 Tavus 发布 Griffin 人机交互模型，48% 测试者误认为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语调、手势与停顿。
Mustafa Suleyman · X精选66 微软 AI 推出 MAI-Transcribe-2-Streaming，在 AA-WER Streaming 准确率排名中位居榜首
微软 AI 即将推出 MAI-Transcribe-2-Streaming，Mustafa Suleyman 称其为全球最准确的实时转录模型。 他声称，该模型比 ElevenLabs 快 55%、便宜 60%，并邀请开发者在微软平台上构建智能体。 在引用的帖子中，Artificial Analysis 报告称，该模型在 AA-WER Streaming 的最终转录和首个部分转录准确率排名中均位列第一；语音结束后 0.13 秒，最终转录的 WER 为 2.5%，流式转录定价为每小时音频 0.54 美元。
推荐理由：引用的基准测试对比将转录准确率与延迟和定价放在一起，为读者在为智能体选择流式语音模型时提供了具体的权衡依据。
TechCrunch · AI62 AI 语音公司 ElevenLabs 估值翻倍至 220 亿美元
AI 语音公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权，较今年 2 月融资时的 110 亿美元估值翻倍。此次 3 亿美元要约收购由 Wellington 和 T. Rowe Price 联合领投，是该公司第二次为员工安排股权转让，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。
Hugging Face Blog精选60 Hugging Face 发布 Open TTS Leaderboard，用客观指标评测多语言 TTS 与语音克隆
Hugging Face 发布 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开源 TTS 模型，把评测周期从数周投票缩短到数小时。
推荐理由：Hugging Face 用客观指标替代投票式评测，读者可了解开源 TTS 模型在多语言与语音克隆上的横向对比方式。
雷锋网62 阿里 Qwen-Audio-3.1-TTS 登顶 Artificial Analysis 语音榜
9 月 28 日，阿里巴巴语音大模型 Qwen-Audio-3.1-TTS 在 Artificial Analysis 的语音排行榜 Controlled Voice Arena 上以 1177 的 Elo 评分位列全球第一。
AWS Machine Learning Blog32 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
AWS 发布教程，演示如何用 vLLM-Omni DLC 在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出，并配 Gradio 应用试用。
The Decoder71 ElevenLabs 发布 Eleven v4 语音模型，Turbo 变体约 150 毫秒出声
ElevenLabs 发布语音模型 Eleven v4，能更准确地跟随脚本中的情绪、停顿和音效标签，并在长篇制作中保持音色一致。新架构同时驱动面向实时语音智能体的 Turbo 变体，官方测试中约 150 毫秒开始出声，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。
AWS Machine Learning Blog38 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实时个性化语音
阿里云 Qwen 团队的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart，可部署到全托管实时推理端点，仅需几秒参考音频和对应文本即可克隆音色，无需重新训练。
Google DeepMind精选71 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音结合，为 Gemini 的对话模型带来近实时的视觉形象，具备精准唇形同步、自然表情和流畅的轮流对话能力。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景的落地形态与开放范围。
AWS Machine Learning Blog32 在 SageMaker AI 上用 WhisperX 做说话人标注转录
AWS 发布 WhisperX Deep Learning Container（DLC），在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的逐词时间戳和说话人分离，可部署到 Amazon SageMaker AI 实时或异步端点，无需自建镜像。
Latent Space67 Meta Connect 2026：Muse 智能体、语音视频与 Charm 硬件
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心，发布语音与实时视频能力、多款眼镜硬件，并预告但未发布新的前沿模型。
腾讯混元 · X40 🚀 腾讯 HY 翻译正式上线。由 HY-MT2 驱动。支持 33 种语言、5 种中国少数民族语言和方言。语音、拍照翻译。全程离线——在设备端运行，无需网络。已在 12 个国家和地区上线。出行、驾车、工作或阅读时都能使用。准确、自然、随时可用。⏬ ⏬⏬ https://apps.apple.com/us/app/tencent-hy-translate/id6801428074
🚀 腾讯 HY 翻译正式上线。由 HY-MT2 驱动。 支持 33 种语言、5 种中国少数民族语言和方言。 语音、拍照翻译。全程离线——在设备端运行，无需网络。 已在 12 个国家和地区上线。 出行、驾车、工作或阅读时都能使用。准确、自然、随时可用。 ⏬ ⏬⏬ https://apps.apple.com/us/app/tencent-hy-translate/id6801428074
AI at Meta · X50 Meta 发布 Muse 实时虚拟形象技术
@finkd 刚刚揭晓了 Muse Realtime Avatar，这是我们能将 Muse Realtime Voice 转化为富有表现力、可交互虚拟形象的实时具身技术。 Muse Realtime Avatar 在 @Muse 中开启了全新的交互方式，首先是实时对话。 🧵👇 #MetaConnect