Microsoft AI 发布面向语音智能体的转录与语音合成模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟约 100 毫秒，Microsoft 称其在 Artificial Analysis 的准确率排名第一，年底前音频价格为每小时 0.54 美元。
#语音
The DecoderAI 评分5858 Curious RefugeAI 评分4242 AI 音效设计来了，但效果到底行不行？
Curious Refuge 测试了多款最新 AI 音效设计工具，并将多种工作流与一位 Curious Refuge 成员的作品进行对比，以判断 AI 音效设计工具的当前水平。测试聚焦这些工具对音效设计和视频制作未来的影响，结论在视频中给出。
Theoretically Media精选AI 评分7474 Kling 4、Gemini 4 Argon、ElevenLabs v4 与 Ideogram 4.5 集中更新实测
Theoretically Media 实测了 Kling 4 早期访问版，覆盖文生视频、图生视频、Omni 和关键帧加 Omni 玩法，目前仅提供 Flash、720p，Ultra 为年付专属。
选题角度：作者实测 Kling 4 的文生视频、图生视频和关键帧加 Omni 玩法，并对比 Ideogram 4.5 反复编辑同一张图不漂移的效果，适合做多模型横评。
TechCrunch · AIAI 评分3838 Airbnb CEO Brian Chesky：AI 智能体需要自己的操作系统
Airbnb CEO Brian Chesky 认为 AI 智能体需要专属操作系统，主张 AI 应在内核层面运行、各组件互相交互，而非在 iOS、macOS、Windows 上构建 AI 应用。
TechCrunch · AIAI 评分4747 Legato 推出 AI 助听眼镜 Legato Frames，起售价 999 美元
听力科技初创公司 Legato 周四宣布，其 AI 助听眼镜 Legato Frames 正式开售，起售价 999 美元，面向轻至中度听力损失的成年人。该眼镜将助听技术集成于镜腿，AI 系统可区分人声与背景噪音并放大语音，双扬声器系统在耳旁数英寸处降低 99% 的漏音，全部处理在眼镜端完成，无摄像头与录音。整机含镜片重 34 克，续航 10-12 小时，提供三种款式，支持处方镜片与蓝牙音频串流。
ElevenLabs BlogAI 评分4040 ElevenLabs 启动 The Search 竞赛：10 万美元征集全球最洗脑 AI 广告
ElevenLabs 推出全球竞赛 The Search，征集全球最洗脑的 AI 广告，总奖金 10 万美元、由 11 名获奖者分享，冠军独得 5 万美元。参赛者需为虚构品牌制作 15–45 秒广告，原创 jingle 必须用 ElevenCreative 制作并提交原始音频，作品须公开发布在至少两个指定平台。
ElevenLabs BlogAI 评分3636 Eleven v4 发音词典指南：如何修正 TTS 中的任意单词发音
ElevenLabs 发布 Eleven v4 发音词典使用指南，该模型支持音素规则和行内 IPA，但不支持 SSML 音素与 break 标签。用户可通过 ElevenAPI 每次请求最多应用 3 个发音词典，用于修正品牌名、缩写、地名和行业术语的读法。
ElevenLabs BlogAI 评分2020 ElevenLabs 正式进军荷兰，在阿姆斯特丹设立办公室
ElevenLabs 正式在荷兰落地并在阿姆斯特丹开设办公室，任命 Goswijn Thijssen 领导当地团队，并计划今年将荷兰团队规模扩大两倍。KPN 部署其语音智能体后，邮编识别准确率从 64% 提升至 82%，验证智能体已扩展至每周约 60,000 通电话、成功率 62%。平台目前拥有 100 个荷兰语声音，客户已生成超 2 亿条音频片段。
TechCrunch · AIAI 评分4040 ElevenLabs 估值翻倍至 220 亿美元，员工可套现部分股权
AI 语音初创公司 ElevenLabs 以 220 亿美元估值完成 3 亿美元要约收购，允许员工出售部分已归属股权，估值较 2 月融资时的 110 亿美元翻倍。交易由 Wellington 和 T. Rowe Price 联合领投，这是该公司第二次为员工安排二级交易，上一次是 2025 年 9 月以 66 亿美元估值进行的 1 亿美元要约收购。
ElevenLabs BlogAI 评分2020 ElevenLabs 正式进军比利时，在布鲁塞尔设立办公室
ElevenLabs 正式在比利时落地，于布鲁塞尔开设办公室，并任命 Falke Van Onacker 领导当地业务，计划今年将比利时团队规模扩大至三倍。其 AI 模型支持 90 多种语言，Belgian 企业已将其用于智能体部署、转录、内容创作与无障碍场景，包括 Glowi、Cavell、Corilus、Mediafin 和 FL Studio。
ElevenLabs BlogAI 评分4040 ElevenLabs 估值升至 220 亿美元，企业级对话智能体需求推动增长
ElevenLabs 完成 3 亿美元员工股权要约收购，估值达 220 亿美元，较今年 2 月 D 轮翻倍，由 Wellington 和 T. Rowe Price 领投。企业业务已占其营收 55%，ElevenAgents 每周处理超 1500 万次对话，较 2 月增长 3 倍，同期 ARR 增长超 3 倍。公司同时发布 Eleven v4 和 v4 Turbo 两款文本转语音模型。
ElevenLabs Blog精选AI 评分6666 ElevenLabs 发布 Eleven v4 Audio Tags 列表与自定义写法
ElevenLabs 发布 Eleven v4 的 Audio Tags 列表，用方括号内的自然语言提示词控制语音的情绪、音量、节奏、反应、口音和音效。标签不限于固定列表，可以组合成 [whispering, fearful] 或描述情境与角色，在 Eleven v4、Eleven v4 Turbo 和 Eleven v3 上通过 ElevenAPI 使用。
选题角度：官方给出 Eleven v4 的 Audio Tags 用法和情绪轮试听入口，适合录屏演示同一句台词加不同标签后的语气差异。
Hugging Face BlogAI 评分2222 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
The DecoderAI 评分7474 ElevenLabs 发布 Eleven v4 语音模型，并推出面向实时语音智能体的 Turbo 版本
ElevenLabs 发布 Eleven v4 语音模型，能更准确跟随脚本中的情绪、停顿和音效标签，并在长内容制作中保持音色一致。v4 单次请求支持最多 10,000 字符（约十分钟音频），支持语言从 v3 的约 70 种增至 90 多种，发音基准得分从 v3 的 85.6% 提升到 91.7%。
TechCrunch · AIAI 评分3838 祖父被 deepfake 语音诈骗后，DetectifAI 打造端侧语音检测 SDK
创始人 Tarini Padmanabhuni 的祖父曾因 AI 生成语音冒充其兄弟而被骗支付赎金，她随后在旧金山创办 DetectifAI，开发可直接在手机操作系统内运行的紧凑 AI 模型，在通话和语音消息中即时判断声音是否为 AI 生成，音频不出设备。该公司以 SDK 形式授权给手机厂商，并已为印度金融机构每月处理超 10 万通电话，用于催收和贷款文件跟进的 AI 语音智能体。
TechCrunch · AIAI 评分2222 Modulate 获 2500 万美元融资，用语音模型与分析套件检测深伪与情绪
波士顿语音智能初创公司 Modulate 完成 2500 万美元新融资，由 Future Ventures 领投，Hyperplane 和 Lakestar 参投。其平台运行超过 100 个小型模型，为企业提供转录、情绪分析、深伪与 AI 音乐检测，以及受监管行业语音智能体的合规执行。公司现有 40-45 名员工，计划再招 10 人加强模型建设，并正提升本地与端侧部署能力。
ElevenLabs Blog精选AI 评分7878 ElevenLabs 发布 Eleven v4 与 Eleven v4 Turbo 语音模型
ElevenLabs 发布情感表现力最强的文本转语音模型 Eleven v4 及低延迟版本 Eleven v4 Turbo，两者支持 90 多种语言，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。
选题角度：官方给出 Eleven v4 与 Turbo 的样片、音频标签写法和 ~100ms 延迟数据，适合做同一句台词在旧版与 v4 下的情绪表达对比。
ElevenLabs BlogAI 评分5858 Eleven v4 Turbo 上线 ElevenAgents，支持 90 多种语言实时语音对话
ElevenLabs 将低延迟语音模型 Eleven v4 Turbo 接入 ElevenAgents，用于实时语音客服等场景，中位推理延迟约 100 ms，长通话稳定性较高。
ElevenLabs Blog精选AI 评分6666 ElevenLabs 讲解如何用 Eleven v4 的 Audio Tags 导演情绪化语音
ElevenLabs 发布教程，介绍如何用 Eleven v4 的 Audio Tags 为 TTS 脚本加入情绪指令，让同一句话按 [furious]、[excited]、[sarcastic]、[crying]、[worried] 等标签呈现不同表演。
选题角度：原文用同一句台词配 [furious]、[excited]、[sarcastic]、[crying]、[worried] 五种 Audio Tag 生成五版语音，适合做情绪标签前后对比的实测演示。
The DecoderAI 评分6262 Nvidia 发布免费 1 亿参数模型 Nemotron 3 Diarization，可实时区分最多八位说话人
Nvidia 发布 Nemotron 3 Diarization，这是一个约 1 亿参数、权重免费开放的说话人分离模型，能实时判断对话中谁在说话，最多区分八位说话人并检测多人同时发言。
TechCrunch · AIAI 评分5858 我为自己做了一个可对话的交互式数字分身
TechCrunch 记者在 Synthesia 纽约新办公室体验定制自己的交互式数字分身，这是 Synthesia 首次为记者（也是除 Voica 外首次为任何人）制作数字分身。
Matt WolfeAI 评分1212 AI 周报：Claude Opus 5.5、GPT-6 Sol、Jev、Muse 等
Matt Wolfe 的 AI 周报汇总了本周多条动态，包括 Claude Opus 5.5、GPT-6 Sol 与 Luna、Grok 4.7、Gemini 3.8 Live Avatar 与 Gemini 3.8 Flash TTS，以及一款新 AI 模型类型。
ElevenLabs BlogAI 评分3838 ElevenLabs 推出学生计划 ElevenLabs for Students，含 3 个月免费使用
ElevenLabs 面向美国、加拿大、EU27、澳大利亚和英国 18 岁以上大学生推出 ElevenLabs for Students 计划，包含 ElevenCreative、ElevenAgents 和 ElevenAPI 的 3 个月免费使用，以及 ElevenReader Ultra 一年免费。
ElevenLabs BlogAI 评分2222 ElevenLabs 详解 AI 语音智能体能力：记忆、情绪安抚与转人工
ElevenLabs 发布指南，详解 ElevenAgents 的语音智能体能力：通过动态变量和通话前后 webhook 从 CRM 调取并回写客户历史，实现跨通话记忆；用情绪检测实时安抚不满来电者，超过阈值或对方要求时转接人工。智能体支持 PDF、Word、Markdown 等格式内容与 RAG 检索，可配置数据留存、音频存储、转录脱敏和零留存模式，企业医疗场景符合 HIPAA 要求。
The DecoderAI 评分6262 Google 测试 Call for Me，让 Gemini 代用户打电话给商家
Google 正在测试 Call for Me，让 Gemini 代替用户给商家打电话，目前仅限美国 Pixel 11 用户且需付费 Gemini 订阅和 Google Phone 应用 beta 版。
Theoretically MediaAI 评分2222 Meta Muse、阿里视频模型与 AI 音频混战：Opus 5.5 对决 GPT-6 Sol
Anthropic 与 OpenAI 同日发布 Opus 5.5 和 GPT-6 Sol（含 Luna），Meta 在 Meta Connect 推出 Muse 系列硬件，包括自带 5G 的 AI 玩具 Muse Charm。
TechCrunch · AIAI 评分2626 ElevenLabs CEO 谈毛利率、IPO 时机与告知客户"你正在和机器人对话"
ElevenLabs CEO Mati Staniszewski 表示公司 ARR 已达 6 亿美元，其中 55% 以上来自企业客户，投资方对其估值 reportedly 达 220 亿美元。他主张现阶段企业应披露对话方是 AI 智能体，并称若有助于扩大市场份额，不介意毛利率进一步被压缩。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话，即日起在 Gemini Enterprise 上线。
选题角度：官方给出多语言实时对话演示和酒店入住工具调用案例，适合录屏实测口型同步与后台调用工具时的对话连贯度。
TechCrunch · AIAI 评分6868 Google 测试让 Gemini 代打电话的 Call for Me 功能
Google 推出名为 Call for Me 的新功能，让 Gemini 代替用户给商家打电话，初期面向美国付费订阅 Gemini 的 Pixel 11 用户，并需使用 Android 版 Google Phone 应用的 Beta 版本。
ElevenLabs BlogAI 评分2222 如何用 AI 转录 Zoom 会议：设置与 API 指南
ElevenLabs 发布指南，介绍用内置工具和第三方方案转录 Zoom 会议。Zoom 自带实时字幕免费，但云端存储和可下载转录文本需付费 Workplace 账户；Zoom AI Companion 支持 46 种语言实时转录，会后转录仅支持 19 种语言。开发者可用 ElevenAPI WebSockets 构建自定义管线，借助 Scribe v2 模型实现 90 多种语言的低延迟转录。
The Decoder精选AI 评分8080 ChatGPT Voice 升级：接入邮件、日历和 Slack，由 GPT-6 Astra 等新模型驱动
ChatGPT Voice 迎来重大升级，全球可用的语音功能现在运行在 OpenAI 新的 GPT-6 Astra、Sol 和 Luna 模型上，并首次可以访问邮件、日历和 Slack 等插件。
选题角度：原文给出演示视频和邮件、日历、Slack 等插件入口，适合按演示场景逐条实测语音完成日常任务的效果。
The Decoder精选AI 评分7878 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，可用文字描述从零设计音色
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型，前者可用文字提示词从零设计音色，定义角色、口音和声音特征，两者均支持 100 多种语言并可为每句台词添加舞台指示。
选题角度：作者用预设音色加风格提示词实测了柏林口音英语，可复现这段提示词并对比官方样片与背景杂音问题。
TechCrunch · AIAI 评分7272 ChatGPT 移动端上线语音智能体功能
OpenAI 宣布将语音智能体功能带到移动端，用户可用语音触发起草文档、总结邮件等工作流。Plus 和 Pro 用户可在手机 Work 标签页创建文档、起草邮件、总结 Slack 消息，还能建站、做演示、使用云端浏览器以及访问财务等功能；Free 和 Go 用户则可使用插件和已连接应用。
Hacker News · AI 高分帖精选AI 评分7878 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，即日起在 Gemini API 和 Google AI Studio 上线，Flash-Lite 版同步进入 Google Vids。
选题角度：原文给出两款 TTS 模型的开放入口、2000+ 音色库和 30 秒声音复刻能力，适合上手实测同一段脚本的语音生成效果。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐句表演指导，后者面向高并发、低成本的配音与语音智能体场景。
选题角度：官方给出 AI Studio 音频 playground 入口和 30 秒样本复刻声音的流程，适合录屏实测从提示词造声到双人剧本逐句导演的完整玩法。
TechCrunch · AIAI 评分5858 YouTube Music 新增 Ask Music 与 Your Podcast Lineup 两项 AI 功能
YouTube 在 Made On YouTube 活动上宣布为 YouTube Music 加入两项 AI 功能，Ask Music 和 Your Podcast Lineup，面向全球 YouTube Music 与 YouTube Premium 订阅用户推出。
The DecoderAI 评分7272 阿里发布 Qwen-Audio-3.1 五款模型，AI 音频价格最高降 95%
阿里 Qwen 团队发布 Qwen-Audio-3.1，包含五款覆盖语音识别（ASR）、文本转语音（TTS）和实时交互的模型。
ElevenLabs BlogAI 评分2222 ElevenLabs Python 语音识别教程：用 Scribe v2 把音频文件转成文字稿
ElevenLabs 发布 Python 语音识别教程，演示如何通过 ElevenAPI 将 Scribe v2 与 Scribe v2 Realtime 接入 Python 项目，实现批量与实时转写。
OpenAI NewsAI 评分1818 Ringg 用 OpenAI 模型让 AI 智能体解决最多 65% 客服来电
Ringg 基于 GPT-5.6 构建的多语言 AI 智能体可解决最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道。相比 GPT-4.1，其成本降低 90%。
X · 通义千问 Qwen精选爆款AI 评分7272 通义千问发布 Qwen-Audio-3.1 音频模型栈，新增 TTS-Next 与 ASR-Next 并大幅降价
通义千问发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两个模型，共五个模型覆盖理解、生成、交互与创作。
选题角度：官方放出五个音频模型和最高95%的降价，适合逐项实测ASR去口水词、TTS-Next一次生成音效与背景音的效果。