Higgsfield 借 GPT-6 Astra 将 AI 视频时长从 1 分钟延长至 10 分钟以上
Higgsfield 借 GPT-6 Astra 将 AI 视频时长从 1 分钟延长至 10 分钟以上，用 GPT-Image-2.5 呈现精确视觉，并以 GPT-Live 开辟语音电影制作路径。
#语音
#语音
今日 0 条OpenAI NewsAI 评分5454 字节跳动技术团队精选AI 评分6666 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推出全新语音内容编辑模型，用户输入原始音频并用一句自然语言说明要改什么，模型即可直接改写声音中说出的内容，同时尽量保留原说话人的音色、韵律和上下文衔接。
推荐理由：原文将语音编辑从修音质推进到改内容，并对照 Descript 与 Meta Voicebox 说明该模型补上了内容可编辑这一环。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。