Amazon Polly Generative 引擎迎来重大升级
Amazon Polly Generative 引擎完成升级，语音更自然准确且延迟更低，新增 14 个声音、覆盖 9 个 locale，并首次正式提供印地语和芬兰语生成式声音。
#语音
#语音
今日 0 条10月23日
10月22日
Nirva 融资 3300 万美元，打造只监听佩戴者的 AI 吊坠
Nirva 完成 2500 万美元 pre-Series A 轮融资，加上年初的 800 万美元，总融资额达 3300 万美元。其首款设备是重约 8 克、续航最长 3 天的吊坠，可作手链佩戴，通过用户注册时录入的声纹只捕捉佩戴者本人的语音，默认不保留音频和转录数据。该设备售价 249 美元，11 月起接受预订，年底前向早期用户发货。
10月21日
IBM 发布 Granite Speech 5.0 系列：新增 2B 语音模型并更新 Turbo CTC 与 4.1 2B Plus
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
Google 将对话式 Gemini 导航引入 Apple CarPlay
Google 面向美国 Apple CarPlay 用户上线 Google Maps 中的对话式 Gemini 导航，并称全球推送也在进行中。用户可点击车机 Google Maps 里的 Gemini 图标，用语音完成多步提问，例如先询问景点推荐再让其规划避开收费路线的导航。
ElevenLabs 发布两款实时语音到语音模型 Eleven Realtime
ElevenLabs 发布两款语音到语音模型 Eleven Realtime，其中 v1 Max 在 Big Bench Audio 基准上得分 98.8%，响应时间 0.57 秒。
Mistral AI 发布 Voxtral 3 实时语音智能体模型栈
Mistral AI 发布 Voxtral 3，一套面向实时语音智能体的模型家族，包含语音转文字模型 Voxtral Small Transcribe 3、文字转语音模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK，把听、思考、工具调用和说话整合进单一流式管线。
Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转写模型 Voxtral Small Transcribe 3、4B 参数的 Voxtral Mini Transcribe 3。
10月20日
Yelp 上线 Check for Me：AI 语音智能体代用户致电餐厅查询等位时间
Yelp 在餐厅页面推出 Check for Me 功能，用户输入用餐人数和手机号后，AI 智能体可代其致电餐厅查询等位时间并以短信回传结果。Yelp AI 助手同步接入 OpenTable 支持应用内订位，并可记住历史对话偏好、查看过去 30 天聊天记录。面向商家，Yelp 推出每月 30 美元的 Smart Lead Reply，可自动回复并筛选潜在客户。
Otter.ai 获 General Catalyst 增长基金 3.2 亿美元投资，用于会议工具扩张
会议记录工具 Otter.ai 从 General Catalyst 的 Customer Value Fund 获得 3.2 亿美元，资金将用于企业增长、市场推广、国际扩张和产品创新。
Deepgram 如何用 AWS Trainium 优化大规模语音 AI
Deepgram 与 AWS 合作将 Nova-3 语音转文字模型移植到 Trainium2，用于联络中心分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，每美元处理的音频量比原有算力方案多 11%–70%。
10月16日
IBM 发布 Granite Switch 4.1：一个端点同时支持对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，把通用决策 aLoRA、安全决策 Guardian aLoRA 以及 OpenASR 榜单上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC 组合进一个模型，占用显存与基座模型单独运行时大致相当。
10月15日
亚马逊发布 Bee Frontier 与 Bee Eclipse 两款常听式 AI 可穿戴设备
亚马逊发布两款 Bee 系列常听式 AI 可穿戴设备，Bee Frontier 售价 74.99 美元，今日开售，Bee Eclipse 售价 99.99 美元，即将推出。
亚马逊旗下 Bee 发布两款个人 AI 设备，起售价 74.99 美元
亚马逊旗下个人 AI 硬件公司 Bee 发布被收购后的首批新品：可佩戴在手腕或别在衣服上的 Bee Frontier 售价 74.99 美元，信用卡大小、磁吸在手机背面的 Bee Eclipse 售价 99.99 美元。
Square 推出 Square Kiosk 自助点单机，可语音对话 AI 下单
Square 发布 Square Kiosk 自助点单硬件，配备 21.5 英寸触摸屏和"agentic, conversational voice layer"语音层，能理解商家菜单并实时应答，顾客可提问、要求修改或替换菜品。
10月14日
Higgsfield 用 GPT-6 Astra 将 AI 视频时长从 1 分钟提升至 10 分钟以上
Higgsfield 借助 GPT-6 Astra 把 AI 视频生成时长从 1 分钟延长到 10 分钟以上，并用 GPT-Image-2.5 提升画面精度，同时通过 GPT-Live 打通语音电影制作路径。
10月13日
Apple 发布首款智能屏 HomeView，售价 299 美元
Apple 发布首款智能屏 HomeView，售价 299 美元，11 月 13 日发货，首批登陆美国、英国、加拿大、澳大利亚、新西兰、新加坡、南非和印度八国，现已开启预售。
10月12日
前Plaud高管Peter Mo为常驻后台聆听的AI应用Ambi融资2600万美元
前Plaud高管Peter Mo创办的AI应用Ambi完成2600万美元融资，由Luminous Ventures和华勤领投，并推出iPhone、Mac和Apple Watch版本。Ambi可全天候聆听用户，在会议中由AI智能体主动给出建议，用户还能跨设备接续任务。其桌面版将能观察用户工作并存入记忆，公司还计划推出带屏幕、摄像头和麦克风的硬件设备。
10月11日
PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型已经问世，语音 AI 仍未迎来自己的“ChatGPT 时刻”，下一步挑战是让推理足够快、对话足够自然。
Apple 以反向收购式招聘引入个性化播客初创公司 Huxe 团队与技术
Apple 向欧盟委员会披露，已同意向 Huxe AI 部分员工发出聘用邀约，并获得 Huxe 知识产权的非独占许可。Huxe 由曾参与 NotebookLM（现更名 Gemini Notebook）AI 播客功能的开发者创立，已于 5 月 21 日宣布关停应用并删除用户数据。该交易未披露具体人员与 Apple 后续计划。
10月9日
Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
Alexa Plus 是亚马逊基于生成式 AI 重构的数字助理，在 Echo 设备上需 Prime 会员或每月 19.99 美元订阅，目前在美国、加拿大可用。实测一年后，其智能家居控制、日程和购物能力大幅提升，天气等指令响应从 2025 年的 10-15 秒缩短到 3-5 秒，但私人助理功能不成熟，Echo Show 上的广告也失控。
Natura 推出 99 美元智能戒指 Interface，把 AI 智能体戴在手上
AI 与硬件初创公司 Natura 发布 99 美元智能戒指 Interface，按下手指即可让 AI 智能体完成任务、记录想法，同时监测心率、HRV、睡眠和活动等健康指标。
10月8日
Google 发布离线会议转写笔记应用 AI Edge Foresight
Google 发布实验性笔记应用 Google AI Edge Foresight，可在完全离线状态下转写会议和音频文件，免费使用，基于其端侧模型 EmbeddingGemma 2，目前运行于 macOS。
TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，聚焦阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，主打阿拉伯语并聚焦阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
10月7日
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 与 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行助手，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。
10月6日
Amazon Alexa Plus 被曝持续数分钟诡异重复"lalala"
Amazon Alexa Plus 出现 bug，部分 Echo 智能音箱在与用户对话中途会连续数分钟重复说唱"lalala"，被追问时 Alexa 对自身行为毫无察觉。该问题近几周在 Reddit 上被多次报告，涉及多款 Echo 音箱，并有用户上传视频。Amazon 已确认这是影响"少数 Alexa Plus 用户"的 bug，正在修复中。
10月3日
Suno 新增 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增名为 Speech 的功能，可将朗读文本与匹配的背景音乐合成为一条音轨。用户输入想法或文本并描述想要的音色和音乐风格，模型同时生成人声与配乐。
Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 表示正把 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 一起推进新方向。
10月2日
Suno 上线语音生成功能，可同时生成人声与配乐
AI 音乐生成平台 Suno 推出语音生成功能 Speech，已在网页端和移动端开启公开测试，可根据脚本或提示词生成人声，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，背景音乐可通过开关关闭。
微软 AI 发布面向语音智能体的转写与语音合成模型
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming，微软称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首个部分结果延迟略超 100 毫秒，年底前入门价每小时音频 0.54 美元。
10月1日
AI 语音初创公司 ElevenLabs 估值翻倍至 220 亿美元
AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权，较其 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二级交易，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。
9月30日
Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源 TTS 模型，把评测周期从数周投票缩短到数小时。榜单以 Qwen3 ASR 计算 WER/CER，在 H200 GPU 上测 RTFx 与 TTFA，并用 WavLM 嵌入算说话人相似度 SIM，支持多语言与声音克隆对比。
9月29日
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，能更准确地遵循脚本中的情绪、停顿和音效标签，并在长篇制作中保持音色一致。新架构同时用于 Turbo 版本，官方测试中约 150 毫秒开始输出语音，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。
在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（上）：部署 Qwen3-TTS 流式语音
AWS 发布 vLLM-Omni DLC，可在 SageMaker AI 上部署 Qwen3-TTS，通过一条持久双向连接实现文本流入、音频流出，语音在生成完成前即开始播放。
9月26日
在 Amazon SageMaker AI 上部署 Qwen3-TTS 实时个性化语音
阿里云 Qwen 团队开源的 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。
9月25日
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，形成能听、能看、能说的动态视觉形象，即日起在 Gemini Enterprise 上线。
在 SageMaker AI 上用 WhisperX 做说话人标注转录
AWS 发布 WhisperX Deep Learning Container，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。
9月24日
Meta Connect 2026：Muse 智能体、眼镜硬件与实时语音
Meta 在 Connect 2026 上把 Muse 定位为个人智能体，并围绕它发布硬件与功能更新：Muse 支持语音与实时视频，可后台执行任务，将登陆所有 Meta 眼镜；每台 Muse 拥有独立邮箱地址，Mac 版支持 computer use，连接器平台已有 1500+ 应用。
Simon Willison 用 Gemini 3.8 TTS Playground 实测 Google 新语音模型
Google 发布两款 Gemini 文本转语音模型 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts，提供超过 2000 种声音，并支持用 30 秒音频样本创建自定义声音。
9月23日
Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演指导，后者面向高并发配音与语音智能体。
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 打造的多语言 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%。