AI 硬件时代，「录制」的定义不能任由 Apple、Google 改写
Apple 正在研发一款不保存视频的智能家居摄像头，改由 AI 生成描述家中动态的文字片段。Google 可穿戴设备高级总监 Sandeep Waraich 也在考虑让智能眼镜的摄像头仅作图像传感器、用 AI 处理画面而不保存视频。作者质疑，这类文字摘要本身仍是可留存、可调阅的记录，「录制」的定义不应被轻易改写。
#语音
#语音
今日 0 条The Verge · AIAI 评分4949
AWS Machine Learning BlogAI 评分5656 用 Amazon Bedrock AgentCore、Knowledge Bases 和 Nova Sonic 构建语音旅行管家
AWS 官方博客演示如何用 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases 为航空应用搭建语音旅行管家。
The Verge · AIAI 评分3636 Amazon Alexa Plus 出现诡异 Bug：持续数分钟重复唱“lalala”
Amazon Alexa Plus 出现诡异 Bug，导致部分 Echo 智能音箱在对话中突然持续数分钟重复说或唱“lalala”。该问题近几周已在 Reddit 上被多次报告，涉及多款 Echo 设备。Amazon 确认该 Bug 仅影响“极少数 Alexa Plus”用户，目前修复方案正在推进中。
Hacker News · AI 最新AI 评分4444 Wattle AI：面向小企业的 AI 接待员，接听电话并完成预约
Wattle AI 是一款面向小企业的 AI 接待员，可自动接听电话、询问需求并完成预约。它覆盖电话、网页、WhatsApp 和 SMS 渠道，可将预约写入 Google Calendar 或 Cal.com，记录存入 Google Sheets，并支持 Xero 与 QuickBooks 发票回传。通话支持录音与转录并自动归档，套餐起价 A$99/month + GST，现已开放申请。
Hacker News · AI 最新AI 评分2323 Ask HN：有没有基于文本和参考音频生成声音的 AI 模型？
一位开发者在 Hacker News 求助：是否存在支持「文本 + 参考音频 → 音频」的商用 AI 模型，用来生成音效。他试过 ElevenLabs SFX，但它只支持文本到音频，没有参考音频就难以精准还原声音；Stable Audio 3 号称支持该能力，实测效果却很差。他感叹这一模态仍停留在 2016 年图像生成的水平，想确认究竟是缺少方案还是需求太少。
The Verge · AIAI 评分2727 Gemini Call for Me 或许能替你告诉妈妈你要迟到了
Google 可能将 Gemini 的 “Call for Me” 功能扩展至商务通话之外，用于向亲友发送消息。Android Authority 在 APK 拆解中发现了 “Gemini Calling” 引导页，其示例为类似发短信的基础通话，如“打电话给妈妈说会迟到 15 分钟”。此外还发现了细粒度的 Gemini 权限设置，允许用户选择各应用的可访问权限，但该功能未必会公开发布。
Hacker News · AI 最新AI 评分2929 Lighthouse Legal：面向人身伤害案件受理的语音 AI
Lighthouse Legal 是一款面向人身伤害律所的 24/7 语音 AI，可按律所标准筛选来电者，并将高优先级电话直接转接给团队。它能收集所需的受理信息，为每通电话生成录音、转录与报告，且通话数据归律所所有。官方称其一个工作日即可上线，可用于处理非工作时段和溢出电话。
Hacker News · AI 最新AI 评分5555 NCLC 呼吁 FCC 否决中期选举前放行 AI 语音自动电话的请愿
NCLC 呼吁 FCC 否决 Club for Growth 的请愿，该请愿拟允许含 AI 生成语音的政治自动电话在未获同意的情况下拨打手机。现行 TCPA 要求自动电话拨打手机前须取得同意，请愿则提议改为每 30 天最多 3 次、收到停止请求后 10 天内停拨；NCLC 认为该限制形同虚设，并警告这类电话可能在中期选举前传播错误信息与深度伪造内容。
OSCHINA 社区AI 评分2929 SmartCall v1.0.7 发布，新增模型以及音色管理
SmartCall v1.0.7 发布，新增模型以及音色管理。该系统基于 AI 大模型与 Asterisk 通信引擎构建，融合 AI 语音机器人、智能 IVR 流程编排、端到端双工对话模型、实时语音识别（ASR）、语音合成（TTS）与大模型意图识别等能力，可提供从呼入智能应答到智能外呼的全链路 AI 客服解决方案。
极客公园精选AI 评分7171 Tavus 发布 Griffin 人类交互模型，一分钟视频通话近半数参与者误认为真人
10 月 1 日，美国 AI 视频公司 Tavus 发布 Griffin 模型，并将其定义为全球第一个「人类交互模型」；一分钟视频通话测试中 54 名参与者有 26 人事后认为自己在和真人聊天，比例接近 48%，而上一代系统通过率仅 2.4%。
推荐理由：文章在宣传效果之外核对了样本量、心理暗示与基准分数，读者可以据此更冷静地判断端到端架构带来的实际进步。
MiniMax · 官方新闻精选AI 评分7979 MiniMax 发布全模态生成模型 H3
MiniMax 正式发布通用全模态生成模型 H3，支持多模态上下文统一理解，可输出最高 15s 2K 分辨率的原生双声道音视频。该模型在指令遵循、文字与品牌信息呈现及 V2V Motion Transfer 等方面表现出色，2K 分辨率下每秒价格不到主流模型的 1/3。官方计划在未来几天内开放模型权重，以推动开源社区发展。
推荐理由：MiniMax 发布全模态生成模型 H3，支持 15s 2K 原生双声道音视频，计划开放权重，为多模态创作提供了新的高性价比选项。
TechCrunch · AI精选AI 评分6767 Sean Parker 围绕音乐业务重建 Stability AI
Stability AI 正转型为面向音乐专业人士的 AI 工具公司，获 Sony、Warner、Universal 等投资 $76 million，三方还授权曲库用于模型训练。
推荐理由：Stability AI 在濒临崩溃后转向音乐赛道，并拿到三大唱片公司的曲库授权融资，可借此观察 AI 音乐工具的版权合作路径。
The DecoderAI 评分6363 Suno 推出 Speech 功能，可同时生成语音朗读与配套背景音乐
Suno 推出名为 Speech 的新功能，用户输入文字并描述想要的语音和音乐风格后，模型会将朗读语音与背景音乐合成为同一条音轨。产品负责人 Jack Brody 表示该功能已在小范围测试一个月，Suno 称其可用于诗歌、冥想和睡前故事，但 beta 版仍有 bug，例如英国口音有时听起来像澳大利亚口音。
The Decoder精选AI 评分6565 Microsoft AI 发布 MAI-Transcribe-2-Streaming 与 MAI-Voice-2.1 语音模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming 及文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash。
推荐理由：原文给出了准确率排名、延迟、支持语言数和定价等具体指标，读者可以据此与同类语音模型做横向比较。
The Verge · AI精选AI 评分6565 Suno 推出 Speech 语音生成功能，公开测试
Suno 推出 Speech 功能，可根据脚本或提示词描述生成语音，现已在网页与移动端公开测试，支持同时生成配音和背景音乐。该功能提供 Simple 与 Advanced 两种模式，最长约 8 分钟，可通过开关关闭背景音乐，官方承认口音等细节仍不稳定。
推荐理由：原文把 Suno Speech 放进文字转语音竞品背景中比较，并说明了语音加音乐同轨生成的差异与已知局限。
The DecoderAI 评分5959 近半数测试者在一分钟视频通话中将 Tavus 的 Griffin 误认为真人
Tavus 发布 Griffin，该公司称之为首个“人机交互模型”（HIM），可在实时视频对话中同时理解与生成语音、面部表情、语气、手势和停顿。在 Tavus 的测试中，48% 的参与者在进行一分钟视频通话后认为 Griffin 是真人，此前系统最高仅 2%；在 Nvidia 的独立测试中 Griffin 得分 3.83，人类为 3.92，此前最佳 AI 模型为 2.80。
InfoQ 中国AI 评分6767 像改文字一样改语音：火山引擎全新语音内容编辑模型
火山引擎多媒体实验室发布指令驱动的语音内容编辑模型，用户只需用自然语言说明“把什么改成什么”，模型即可在保持原音色、韵律和上下文衔接的前提下完成局部内容修改，不必整段重录。
TechCrunch · AIAI 评分6262 ElevenLabs 估值翻倍至 $22B
AI 语音初创公司 ElevenLabs 宣布允许员工按 $22B 估值兑现部分已归属股权，估值较 2 月 $500M 融资时的 $11B 翻倍。此次 $300M 要约收购由 Wellington 和 T. Rowe Price 联合领投，员工可将股份出售给有意在上市后长期持有的机构投资者。
InfoQ 中国AI 评分6666 openJiuwen WorkSwarm 全双工多模态能力首发：像聊天一样与 Agent 交互，支持昇腾 NPU 部署
openJiuwen WorkSwarm 发布全双工多模态能力，用户可随时插话、追问和补充要求，复杂任务交由后台 Core Agent 执行，对话与任务各自独立运行。
OSCHINA 社区AI 评分3737 AIGCPanel v2.5.0 支持豆包语音音色，数字人直播音色模板管理
AIGCPanel v2.5.0 更新支持豆包语音音色，云端语音模型只需填入 API Key 即可使用，数字人与直播的音色也被收入各自独立的音色库。AIGCPanel 是一款一站式 AI 数字人桌面应用，可在 Windows / macOS / Linux 运行，内置数字人合成、语音合成与克隆、工具箱和智能直播。
Latent SpaceAI 评分5252 Meta Connect 2026：Muse 智能体眼镜、语音、视频与 Charm 发布
Meta 在 Connect 2026 上以 Muse 个人智能体为核心，为其加入语音与实时视频能力，并推出 Ray-Ban Meta Gen 3 眼镜、售价 1299 美元的 VR 眼镜和 12 月发货的 Charm 钥匙扣。
腾讯混元 · 官方公众号AI 评分6363 腾讯混元发布腾讯 Hy 翻译 APP，基于 Hy-MT2 支持 33 种语言互译
腾讯混元推出腾讯 Hy 翻译 APP，基于 Hy-MT2 翻译模型打造，支持 33 种语言互译，覆盖 5 种中国少数民族语言及方言。APP 提供语音翻译、拍照翻译与离线翻译，离线模式可提前把模型下载到手机，在无网络或信号差时稳定使用；现已在美国、日本、韩国、新加坡等 12 个国家和地区上线，并同步支持小程序、插件和 PC 端，搜索“腾讯混元翻译”即可体验。
LifehackerAI 评分4444 我在新 Apple Watch 上试了 Siri AI，结果令人沮丧
在 Apple Watch 上体验 Siri AI 后整体表现令人失望：响应常需 5-10 秒，应用频繁崩溃，语音还会中途断续重说。实测中它把 325 卡路里的 Move ring 目标误设为 320，查找邮件信息需反复追问，而 iPhone 版 Siri AI 一次就能答出。
Google DeepMind精选AI 评分7777 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 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型。前者侧重深度创意指导，支持自然语言生成定制声音、30秒语音复刻与逐句表演控制；后者面向高并发、低成本的规模化应用。
推荐理由：原文清晰对比了两款新 TTS 模型的定位与功能，并给出基准表现与安全机制，便于开发者评估选型。
OpenAI NewsAI 评分2929 Ringg 的 AI 智能体借助 OpenAI 解决高达 65% 的客户来电
Ringg 借助 GPT-5.6 驱动多语言 AI 智能体，可解决高达 65% 的客户来电。智能体覆盖语音、聊天、WhatsApp 与网页渠道，相比 GPT-4.1 成本降低 90%。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务的多步推理。
推荐理由：原文给出了两款实时语音对话模型的能力定位与基准成绩，读者可据此判断它们在语音智能体场景中的适用性。
阶跃 StepFun · 官方公众号精选AI 评分6565 阶跃发布 StepAudio 3 系列语音模型，多款模型位列 Artificial Analysis 全球第一
阶跃正式发布 StepAudio 3 系列语音模型，包含 StepAudio 3 Realtime、ASR、TTS、Gen、Music 五款，均已上线阶跃星辰开放平台。
推荐理由：官方发布稿逐一给出五款模型的能力定位与 Artificial Analysis 榜单数据，读者可据此判断语音模型正从单点能力竞争走向完整交互与创作。
X精选AI 评分6666 继 UU 远程后，网易又整了一个识别速度快到没朋友的 AI 语音输入法「叭哥说」
网易有道上线 AI 语音输入法「叭哥说」，作者用同一段录音实测，其 E2E 平均识别耗时 1683ms、P95 为 2134ms，基本上一松开录制按钮结果就出来了。它用 ASR 识别与纠错润色双模型协作，支持工位级小声拾音、个人词典导入即时生效与多语言翻译；横向对比中识别速度为豆包 > 叭哥说 = 闪电说 > Typeless，而 AI 整理能力优于偏转写的豆包输入法。
推荐理由：作者用同一段录音横向对比四款 AI 语音输入法的识别速度与整理能力，并附叭哥说的延迟数据与专项测试，便于按需选型。
OpenAI News精选AI 评分7171 用 API 中的 GPT-Live-1 构建更自然的语音体验
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话。该模型具备更强的指令遵循能力，并支持自定义语音和电话功能。https://openai.com/index/introducing-gpt-live-1-in-the-api
推荐理由：原文列出了全双工语音对话、自定义语音和电话支持等能力，读者可据此判断现有语音产品的形态变化。
X精选AI 评分6868 开源 115 期 AI 播客知识库与全自动搭建流水线
作者开源两个 GitHub 仓库：podcast-notes 收录 115 期、400 多万字、129.3 小时的 AI 播客知识库，Obsidian 打开即可搜索；podcast-pipeline 把从搜索、转录、写总结到自动归档 Obsidian 的全流程自动化，说人话即可复刻到任意领域。
推荐理由：作者开源了 115 期播客知识库和一套全自动搭建流水线，读者可照此在自己的领域快速复刻同款知识库。
Google DeepMind精选AI 评分7575 Gemini 3.5 Transcribe 发布：实现更精准的智能实时语音转录
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，提供实时流式与预录制两种 API。据 Artificial Analysis 测量，其流式平均词错率为 4.0%，非流式为 2.6%，最终转录时间较 Chirp 3 缩短 70%。模型支持 85 种以上语言、自定义词汇表与函数调用，现已通过 Google AI Studio 等平台推出公开预览。
推荐理由：相比上一代 Chirp 3，Gemini 3.5 Transcribe 将流式转录错误率降至 4.0%，最终转录时间缩短 70%，并支持函数调用与自定义词汇表。
阿里云开发者AI 评分6161 Qwen-Audio-3.0 系列语音模型正式上线千问 AI 平台
Qwen-Audio-3.0 系列语音模型正式上线千问 AI 平台，开发者可通过 API 服务调用，也可订阅 Token Plan 使用。
腾讯混元 · 官方公众号AI 评分5858 腾讯混元发布 Hy ASR 3.0 preview 语音识别模型
腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview，基于 Hy3 基座融合高精度识别与深度语义理解。模型在多语种开源评测集 WER 控制在 3% 左右，中文普通话 3.34%、英语 2.62%、粤语 3.12%，并支持热词注入、方言识别与复杂声学场景优化。目前已上线腾讯云提供 API 服务，元宝已完成首发上线。
OpenAI News精选AI 评分6060 OpenAI Presence 发布
OpenAI 推出 Presence，这是一个经过验证的企业级 AI 智能体平台，旨在帮助组织为客户及内部工作流部署可信的语音与聊天智能体。
推荐理由：材料将其定位为经过验证的企业级智能体平台，读者可据此评估语音与聊天智能体在自身工作流中的落地方式。
42 章经AI 评分3535 Ambi 的技术理念
Ambi 正式开放内测，并首次公开 Sidekicks 功能，用户创建伙伴后即可让一群 AI 实时在场、同时服务。其提出 Attention Loop（Attention - Listen/See - Think - Act）理念，认为实时交互不应只是单一语音问答，而应让多个智能体实时 agentic 地完成任何事情。
阶跃 StepFun · 官方公众号AI 评分2727 WAIC 2026 必打卡展区：阶跃 STEPX Neo、超级Eva 齐亮相
阶跃在 WAIC 2026 展出"镇馆之宝"STEPX Neo，搭载全球首个智能体原生操作系统 Step AOS，是目前唯一获 L3 级检测报告的智能体手机。现场还展出 Step Edge 全家桶、Step 3.7 Flash、StepAudio 家族与搭载极氪8X 的汽车智能体超级Eva。阶跃联合原力灵机以 6 台机器人 15 小时协同拼装长城模型，为全球首次。
OpenAI NewsAI 评分3131 Cars24 如何借助 OpenAI 扩展对话规模并加速构建
Cars24 使用 OpenAI 驱动的语音与聊天智能体，每月处理 100 万分钟以上对话。该方案帮助 Cars24 挽回 12% 的流失线索，并将智能体工作流推广到公司各团队。
人民公园说 AIAI 评分7272 GPT-5.6 来了：OpenAI 开始造超级 App，中美 AI 正在交换剧本
这期播客认为 GPT-5.6 表面上是小版本更新，实际是 OpenAI 把 ChatGPT、Codex、GPT Live 和 ChatGPTWork 整合进同一入口、转向超级 App 的一次产品换轨。节目同时指出中美 AI 路径正在倒置，美国走向中心化而中国围绕飞书和模型生态分工，模型可替代时代入口与用户心智比榜单排名更关键。
OpenAI News精选AI 评分7777 OpenAI 发布 GPT-Live 语音模型
OpenAI 发布新一代语音模型 GPT-Live，现已驱动 ChatGPT Voice，面向更自然的人机语音交互。
Google DeepMind精选AI 评分8484 Google 发布 Gemini 3.5 Live Translate，支持 70+ 语言近实时语音翻译
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言的近实时语音到语音翻译，可保留说话者的语调、节奏和音高，连续生成且全程仅比说话者滞后几秒。
推荐理由：官方公布了 70+ 语言与连续生成机制，并开放 Gemini Live API 等多端入口，可据此判断实时语音翻译在会议和通话场景的可用性变化。