陆川手搓历史现场，王珞丹熬夜抽卡，阿里全模态开始兜底生产
阿里：三年之内会出现一个原生的全模态统一生成模型，未来体验将不再受限于模态边界。
语音与音频
AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
已收录 129 条 · 近 30 天 104 条 · 第 4 / 6 页
-
-
Viture的Vonder眼镜旨在映射您的思维
没有摄像头吗没问题. Viture首款无显示屏智能眼镜配备骨导麦克风，可以私下记录您的日常沉思。
-
vivo首款耳夹耳机正式发布，vivo Buds Clip点亮耳畔“微光小C环”
2026年9月21日，vivo Buds Clip 耳夹耳机 正式发布。 作为vivo首款 耳夹耳机 ， 新品从全天佩戴需求出发，围绕设计美学、舒适佩戴、耳夹听感与连接交互进行系统打磨，自然微光美学与轻量化耳夹设计塑造耳畔的“ 微光 小 C 环” ， 高清质感人声、骨传导AI通话降噪与跨生态无缝三连接 等 ， 则进一步满足用户在多种场景下的使用需求， 让耳机
-
千问新一代AI硬件云栖大会首次集中亮相，10月13日现货发售
9月22日，新一代全系列千问 AI 硬件在云栖大会首次集中亮相，包含千问AI眼镜N1、N1 Pro及千问AI耳夹式耳机。三款新品当天同步开启线上预约，并将于10月13日现货发售。 记者在展区体验了解到，N1系列搭载5000万像素传感器，支持第一视角拍摄。其中，N1 Pro支持眼动追踪和虹膜支付，用户看向展品并提问时，AI可借助视线信息判断用户所指的对象。另一
-
一颗“AI球”刷屏后，随身AI录音的序幕才刚刚开启
9月17日，一家头部手机厂商亮相一款9.8克的球形AI记录设备，可夹衣佩戴，宣称续航24小时。该产品一经曝光便在全网疯狂刷屏，“手机能录音，为什么还需要独立硬件”，再次成为行业热议话题。 从这款刷屏新品不难看出，随身 AI 录音的需求痛点，主要集中在三个方面： 第一，让记录更省事。 依托便捷操作与佩戴式硬件设计，简化录音启动流程，无需掏出手机，即可即时捕捉转
-
2026年最佳语音克隆API：说话者相似性、同意检查和每100万个字符的价格
我们在7个平台上克隆了一个10秒的声音，并根据参考音频、同意、许可和成本对它们进行排名。2026年最佳语音克隆API：说话者相似性、同意检查和每100万字符的价格帖子首先出现在MarkTechPost上。
-
Vocci的戒指为会议笔记增添了新的形式因素
Vocci的轻量级戒指售价249美元，可能会带来一些隐私问题
-
腾讯的甘德旨在在后台工作时继续交谈
腾讯的Gander在后台处理任务的同时处理语音、图像和文本。“小脑”让对话继续进行，而可更换的“大脑”则搜索文件、编写代码或处理其他复杂工作。用户可以在对话中中断或更改任务。在基准测试中，甘德仅在8%的情况下打断用户，频率低于竞争对手，但在任务准确性方面落后。腾讯的甘德旨在在后台工作时继续说话的文章首先出现在The Decoder上。
-
阿里巴巴Qwen团队发布Qwen 3.8-LiveTranslate：实时翻译模型，将60种语言的平均延迟缩短至2.3秒
Qwen发布了Qwen 3.8-LiveTranslate，这是一个基于新Interleave架构的实时同传模型。它将平均滞后（LAAL）从2.8秒减少到2.3秒。它还添加了实时说话者日记化，具有稳定的语音克隆、同步的双语显示以及名称和术语的长上下文歧义消除。该模型可以理解60种语言，可以使用29种语言，现在可以作为Webocket API在阿里云模型工作室
-
SpaceXAI发布Grok Voice Transcribe 2.0：语音到文本API，精度超过1.0，每小时0.10美元
SpaceXAI发布了Grok Voice Transcribe 2.0，这是其最新的批量和流媒体音频语音转文本模型。该公司表示，在相同价格下，它的准确性是1.0版本的两倍。19种语言的短句词错误率从20.6%下降到6.8%。批量定价为每小时0.10美元，流媒体定价为每小时0.20美元。该模型现已通过Grok Voice API提供。SpaceXAI发布Gr
-
Canto：为现实世界构建的语音模型
HN ð31· 12 评论
-
利用人工智能支持的Amazon Connect Talent缩短优质候选人的招聘时间
Amazon Connect Talent是一款人工智能招聘解决方案，专为管理规模招聘的人才招聘领导者而设计。它提供人工智能主导的面试、数据驱动的评估和一致的评估，帮助招聘人员更有效地识别优秀的候选人，同时为申请人提供灵活的面试体验。Amazon Connect Talent借鉴了亚马逊数十年的招聘科学知识，为每次评估、面试和候选人评分提供透明度，使招聘人员
-
竞争对手的人工智能代理Instinct和Meta的Muse都添加了拨打电话的功能
人们可以使用这些助手预订餐厅和取消订阅。
-
豆包座舱助手发布，首款合作车型即将开启预售
9月17日，豆包与火山引擎联合打造的AI原生车载助手——豆包座舱助手正式发布。 豆包座舱助手致力于成为聪明懂你、交互自然有温度、安全可靠的座舱 AI 伙伴，带来更加方便、愉悦的驾驶出行体验。它能理解复杂需求，联动全车功能，把事情一步步办好；也能自然参与多人交流，记住每个人的习惯，在互动中更懂你；还可以与豆包APP联动，让服务从手机延伸到车里。 目前，豆包座舱
-
EP178 · Full-Duplex Voice, Agent Runtime Operations, Governed CRM Workflows · 09-17 Daily
📝 Today's Theme As voice gets more natural, judge agents on GKE and Salesforce in Claude by their controls. 🏷 Keywords： full-duplex voice agents Agent Substrate GKE agent operation
-
EP178 · 全双工语音、GKE Agent、Claude CRM · 09-17 早报
📝 今日导语 全双工语音分层、GKE Agent 沙箱隔离、Claude CRM 人工确认，提供系统边界的判断路径。 🏷 今日关键词： 全双工语音 GKE Agent 基座 Claude CRM 协同 StepAudio 3 Pinterest Manas 端侧具身推理 Hermes 多智能体 📰 今日精选内容 你的语音智能体还只是对讲机 — Neil Ze
-
总部位于冰岛的Treble为其语音模拟平台筹集1800万美元
Treble的语音模拟平台被语音AI模型开发者、AI可穿戴、机器人公司使用
-
网易有道周枫：AI能力竞争，正在进入「Model + Agent + Workflow」时代，网易有道AI Open Day展示AI时代“有道解法”
9月16日，网易有道「NEXT，AGENT｜有道AI Open Day」在北京举办。
-
在被指控出售“变态眼镜”后，Meta准备出售一副没有相机的眼镜
Meta能否通过新的无摄像头产品来逃避“变态眼镜”的指控？
-
亚马逊在印度推出Alexa+，支持印地语
亚马逊允许所有客户在抢先体验期使用Alexa+助手
-
EP177 · 可验证安全、实时语音、上线排障 · 09-16 早报
📝 今日导语 黄仁勋把 AI 安全落到验证机制，Gemini 3.8 Live 展示实时协作，Plivo 的故障清单给出上线排障路径。 🏷 今日关键词： 黄仁勋 Gemini 3.8 Live 语音智能体排障 开放模型治理 智能体复现 📰 今日精选内容 英伟达 CEO 黄仁勋谈 AI 安全、开放模型与赢得 AI 竞赛 All-In Podcast · 视频
-
Google发布Gemini 3.8 Live和3.8 Live Extended Thinking，用于生产级语音代理
谷歌发布了Gemini 3.8 Live和Gemini 3.8 Live扩展思维，这是迄今为止最先进的实时对话模型。这些模型在对话保持流畅的同时在后台执行工具和API调用，处理实时视觉输入，并在对话中在97种语言之间切换。扩展思维在人工分析的语音到语音质量指数中排名第一，为82.6，在Big Bench Audio中得分97.7%。两者今天都可以在Gemin
-
谷歌推出Gemini 3.8 Live，以极低的成本与OpenAI的GPT-Live-1较量
Google Deepmind发布了Gemini 3.8 Live和3.8 Live扩展思维，这是针对开发人员的两种新音频模型，在人工分析语音到语音排行榜上名列前茅。谷歌每小时语音对话的价格为1.38美元，大大低于OpenAI的GPT-Live-1，由于采用了全速，GPT-Live-1听起来应该仍然更加自然。谷歌推出Gemini 3.8 Live的文章，以一
-
LACE：动态帧率编解码器的逐层压缩
作者：Thanapat Trachu、Samuele Cornell、William Chen|神经音频编解码器是语音语言建模的关键组件。然而，它们的高帧率导致序列长度长，从而增加了计算成本。动态帧率编解码器通过使用压缩步骤将多个帧合并在一起来降低有效帧率来缓解这一问题。然而，大多数现有方法要么在单码本编解码器上操作，要么应用单压缩
-
Gemini 3.8 Live和3.8 Live Extended Thinking
HN ð252· 174 评论
-
介绍 Gemini 3.8 Live 和 3.8 Live Extended Thinking
📌 One-Sentence Summary Google 推出两款新模型，Gemini 3.8 Live 和 3.8 Live Extended Thinking，通过增强的推理、视觉接地和多步任务完成能力，提升了实时语音交互体验，服务于开发者和消费者。 📝 Summary 新的 Gemini 3.8 Live 模型代表了语音到语音 AI 的重大进步，提供
-
Gemini 3.8 Live：支持 97 种语言的 SOTA 音频模型，带异步工具调用
📌 One-Sentence Summary NVIDIA 发布 Gemini 3.8 Live，这是一款顶级的音频模型，支持 97 种语言、无缝语言切换、异步工具调用，并具备更高的性能和竞争力的价格。 📝 Summary Gemini 3.8 Live 的发布标志着音频 AI 技术的重大进步。该模型支持惊人的 97 种语言，允许在对话中动态、实时地切换语言
-
介绍全新 Gemini 音频模型：实时协同与深度思考
📌 One-Sentence Summary Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，这两款先进模型让用户与 AI 的对话更加自然流畅，支持跨语言交流、视觉理解和复杂任务执行。 📝 Summary 该推文宣布推出两款新 AI 音频模型：Gemini 3.8 Live 和 Gemini