Vol. 168 WWDC26：Siri AI 及格了吗？
枫言枫语 Vol. 168 聊了北京时间 6 月 9 日凌晨 1 点开幕的 WWDC26，这是 Tim Cook 担任苹果 CEO 的最后一届 WWDC，发布会近一半篇幅在讲重头戏 Siri AI。
#语音
#语音
今日 0 条枫言枫语AI 评分4949 OpenAI NewsAI 评分2727 Codex 为 Notion 解锁了什么
Notion 使用 Codex 一次性生成规格说明，并为网页构建 AI Voice Input 功能，从而让小团队的工程效能实现成倍提升。
XAI 评分5858 5 个 AI Agent 实战场景：从办公自动化到内容创作的完整工作流
作者公开了自己搭建的 AI Agent 完整工作流，覆盖办公自动化、内容创作、网页搭建、交互式学习和提效工具五个场景。办公场景用飞书 CLI 让 AI 读取任务、日历与文档自动生成日报；内容创作先手动验证爆款框架，再封装成 Skill 由 AI 批量润色逐字稿；网页搭建把文档生成可交互 HTML，经 GitHub 与 Vercel 约 3 分钟部署上线。
AIGC WeeklyAI 评分4040 AIGC Weekly #170：OpenAI 更新 GPT-5.5 Instant 与 Codex，推出三款实时语音模型
OpenAI 将 GPT-5.5 Instant 设为 ChatGPT 默认模型，推出 3 款 GPT-Realtime 语音模型，并为 Codex 新增 Chrome 浏览器插件。
OpenAI NewsAI 评分2121 Parloa 打造客户愿意与之交谈的客服智能体
Parloa 利用 OpenAI 模型打造可扩展的语音驱动 AI 客服智能体。这使企业能够设计、模拟并部署可靠的实时交互。
OpenAI News精选AI 评分7070 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可对语音进行推理、翻译和转录，带来更自然、更智能的语音体验。
OpenAI NewsAI 评分2727 Uber 借助 OpenAI 让司机赚得更聪明、乘客预订更快
Uber 采用 OpenAI 驱动其 AI 助手与语音功能，让司机赚得更聪明、乘客预订更快。这些能力应用于 Uber 覆盖全球的实时市场。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 Gemini 3.1 Flash TTS，新一代表现力 AI 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，在 Artificial Analysis TTS 榜单取得 Elo 1211，支持 70+ 语言、原生多人对话，并引入 audio tags 以自然语言精细控制语音风格、节奏与表达。
推荐理由：原文给出了 Elo 1211 的榜单分数与 audio tags 的具体用法，读者可据此判断它相对现有 TTS 方案的可控性优势。
Google DeepMind精选AI 评分7272 Gemini 3.1 Flash Live 发布：让语音 AI 更自然、更可靠
Google DeepMind 发布 Gemini 3.1 Flash Live，这是其目前最高质量的音频与语音模型，旨在提升实时对话的速度与自然度。该模型在 ComplexFuncBench Audio 上得分 90.8%，支持 Gemini Live 对话时长翻倍，并推动 Search Live 扩展至 200 多个国家/地区，所有生成的音频均带有 SynthID 水印。
推荐理由：相比前代模型，Gemini 3.1 Flash Live 在语音精确度、延迟与上下文长度上均有提升，并推动 Search Live 扩展至全球。
Google DeepMind精选AI 评分7171 Lyria 3 Pro 发布：支持 3 分钟曲目并接入更多 Google 产品
Google DeepMind 发布 Lyria 3 Pro，支持创作最长 3 分钟的曲目，能理解音乐结构并通过提示词指定前奏、主歌、副歌和桥段。该模型已在 Vertex AI 公开预览，并接入 Google AI Studio、Gemini app、Google Vids 与 ProducerAI 等更多产品。
推荐理由：官方说明了 Lyria 3 Pro 的 3 分钟曲目长度与结构感知能力，并给出各端上线入口，读者可据此判断音乐生成工作流的变化。
OpenAI NewsAI 评分3030 Descript 如何工程化实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现了大型内容库的自动本地化。该方案在不丢失时间轴与语义的前提下，完成大规模的多语言视频配音。
AIGC WeeklyAI 评分5454 AIGC Weekly #159 速览 Claude Sonnet 4.6 与 Gemini 3.1 Pro 等新发布
本期 AIGC Weekly 汇总上周 AI 领域主要发布：Anthropic 推出 Claude Sonnet 4.6 模型与 Claude Code Security 安全工具，谷歌发布 Gemini 3.1 Pro 与 Gemini Deep Think 3。
Google DeepMind精选AI 评分8181 Gemini 应用上线 Lyria 3 音乐生成功能
Google DeepMind 在 Gemini 应用中推出最新的生成式音乐模型 Lyria 3，用户通过描述想法或上传照片即可在数秒内生成 30 秒的高质量音乐曲目。
推荐理由：原文说明了 Lyria 3 的文本与图片生成音乐能力及 SynthID 水印验证，读者可据此判断其在 Gemini 应用中的实际可用范围。
MiniMax · 官方新闻AI 评分6161 MiniMax Speech 2.8 发布，支持原生语气词与录音棚级音质
MiniMax 正式推出语音大模型 Speech 2.8，首次实现原生语气词支持，并带来高精度音色还原、录音棚级音质与跨语言表现改善。仅需 10 秒原声片段即可完成音色克隆，模型已全面上线。
OpenAI NewsAI 评分2222 Tolan 如何用 GPT-5.1 构建语音优先的 AI 伴侣
Tolan 基于 GPT-5.1 打造了一款语音优先的 AI 伴侣，可进行自然对话。该产品结合低延迟响应、实时上下文重建与记忆驱动的个性化能力，提升交互体验。
AIGC WeeklyAI 评分5353 AIGC Weekly #151：谷歌多模态投入迎来收获期
本期 AIGC Weekly 汇总了上周 AI 领域的核心发布。谷歌更新 Gemini 2.5 系列 TTS 与 Native Audio 模型，OpenAI 发布 GPT-5.2，Runway 推出 Gen 4.5 与 GWM 系列世界模型，Mistral 开源 Devstral 2 并发布 Mistral Vibe CLI。
Google DeepMind精选AI 评分7272 Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 模型
Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 模型，提升复杂工作流处理、指令遵循和多轮对话能力。该模型已在 Google AI Studio、Vertex AI、Gemini Live 和 Search Live 上线。
推荐理由：原文列出了音频模型在函数调用和指令遵循上的基准提升，并说明实时语音翻译的语言覆盖范围，便于评估其在语音场景的可用性。
OpenAI News精选AI 评分6969 OpenAI 发布 gpt-realtime 与 Realtime API 更新
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并为 Realtime API 新增 MCP server 支持、图片输入与 SIP 电话呼叫支持。
推荐理由：官方公布 gpt-realtime 语音模型与 Realtime API 更新，读者可据此判断语音交互结合 MCP 与图片输入后的应用空间。
OpenAI NewsAI 评分3636 Retell AI：基于 GPT-4o 的可定制无代码语音智能体自动化
Retell AI 正以 GPT-4o 和 GPT-4.1 驱动的 AI 语音自动化改造呼叫中心。其无代码平台让企业能够上线自然、实时的语音智能体，降低通话成本、提升 CSAT，并自动化客户对话——无需脚本、无需等待时间。
OpenAI NewsAI 评分2424 Speak 正在用 AI 个性化语言学习
Speak 正在用 AI 个性化语言学习。CEO 兼联合创始人 Connor Zwick 在对谈中介绍了这一做法。
OpenAI NewsAI 评分2222 ChatGPT 的视觉与语音功能
ChatGPT 的视觉与语音功能可帮助团队处理多模态输入，并进行更自然的沟通。
OpenAI News精选AI 评分6262 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如像有同理心的客服一样表达，为语音智能体解锁新的定制能力。
推荐理由：原文介绍了文本转语音模型新增的指令式语气定制能力，开发者可据此判断语音智能体的定制空间。
OpenAI News精选AI 评分7474 OpenAI 推出 Realtime API
OpenAI 推出 Realtime API，开发者现在可以在自己的应用中构建快速的语音到语音体验。详情见 https://openai.com/index/introducing-the-realtime-api
推荐理由：OpenAI 向开发者开放语音到语音的实时接口，可直接在应用中集成快速语音对话体验。
OpenAI NewsAI 评分4646 深入探讨 Voice Engine 的工作原理与安全研究
OpenAI 深入探讨了其文本转语音模型 Voice Engine 背后的技术，并进一步阐述了该模型的工作原理。此外，OpenAI 还分享了相关的安全研究成果。
OpenAI NewsAI 评分3333 ChatGPT 的声音是如何挑选的
OpenAI 联合行业领先的选角与指导专业人士，为 ChatGPT 挑选出了 5 个声音。这些声音是从超过 400 份提交中层层筛选后最终确定的。
OpenAI News精选AI 评分8383 ChatGPT 现已支持看、听与说
OpenAI 官方宣布 ChatGPT 现在可以看、听和说，新增了图像与语音相关能力。
推荐理由：OpenAI 官方宣布 ChatGPT 新增看、听、说能力，读者可据此了解其在图像与语音交互上的使用方式变化。
OpenAI News精选AI 评分8484 ChatGPT iOS 应用发布
OpenAI 推出 ChatGPT iOS 应用。该应用支持对话同步与语音输入，并集成最新的模型改进。
推荐理由：官方宣布 ChatGPT iOS 应用发布，支持对话同步与语音输入，读者可据此了解该应用的核心功能。
OpenAI News精选AI 评分7575 OpenAI 发布开源语音识别模型 Whisper
OpenAI 训练并开源了名为 Whisper 的神经网络，称其在英语语音识别上的鲁棒性和准确率接近人类水平。
推荐理由：Whisper 以开源形式发布，读者可直接获取模型并评估其在英语语音识别场景中的实际表现。
OpenAI News精选AI 评分6363 OpenAI 发布并开源 Jukebox 音乐生成神经网络
OpenAI 发布 Jukebox，这是一个能按多种流派和艺人风格生成原始音频音乐、包括简单演唱的神经网络。官方同时开源了模型权重和代码，并发布了一款用于浏览生成样本的工具。
推荐理由：原文给出了模型按流派和艺人风格生成原始音频的能力，以及开源权重、代码和试听工具，读者可据此判断它在音乐创作流程中的可用性。
OpenAI NewsAI 评分5858 OpenAI 发布 MuseNet 音乐生成模型
OpenAI 发布 MuseNet，这是一个深度神经网络，可生成 4 分钟、含 10 种乐器的乐曲，并融合从乡村、莫扎特到披头士的风格。它没有被显式编程音乐知识，而是通过学习预测数十万 MIDI 文件中的下一个 token，自己发现和声、节奏与风格规律。MuseNet 使用与 GPT-2 相同的通用无监督技术，即一个训练来预测序列中下一个 token 的大规模 Transformer 模型。