Elon Musk 转发 Grok Bot 电话订餐功能演示
Elon Musk 转发 Brian Roemmele 的演示，称 Grok Bot 可以打电话给餐厅并帮你订位。Roemmele 表示自己搭建的 Grok Bot 用 Grok 语音完成通话，能自行找到餐厅电话、确认时间和姓名、复述信息后再拨号，通话结束用平实语言汇报结果，并可把预订写入日历；他还接入了 ClawCall 提供的号码，免费额度为 30 次通话或 30 分钟，并设置了不提供信用卡信息、不主动外呼等限制。
匹配字段摘要
←搜索结果
搜索“语音”
OmniHuman V2 在 fal 上线
OmniHuman V2 已在 fal 平台上线，可用单张图片和一段音频生成说话视频，并让唇部动作与表情跟语音同步。该版本还支持可选提示词来引导表演效果。
匹配字段摘要
HeyGen Voice 上线 OpenRouter，10 月 31 日前五折
HeyGen 的新文本转语音模型 HeyGen Voice 已上线 OpenRouter，10 月 31 日前五折。该模型在 Artificial Analysis TTS 榜单登顶，提供 HeyGen Voice 和延迟更低的 HeyGen Voice Turbo 两种模式，折后价格分别为每百万字符 15 美元和 7.50 美元。OpenRouter 提供 10 种内置音色，也可自带 HeyGen key 使用自己账号中克隆的音色。
匹配字段摘要
HeyGen Voice 上线 OpenRouter，10 月 31 日前五折
HeyGen Voice 已在 OpenRouter 上线，10 月 31 日前五折。该文本转语音模型提供 HeyGen Voice 和延迟更低的 HeyGen Voice Turbo 两种模式，折后价格分别为每百万字符 15 美元和 7.50 美元，原价分别为 30 美元和 15 美元。用户可直接选用内置的 10 种音色，也可自带 HeyGen key 使用自己 HeyGen 账号中克隆的音色。
匹配字段摘要
德国电信开售 Meta Ray-Ban Display AI 眼镜，裸机 899 欧元
德国电信将于 2026 年 10 月 13 日起在德国正式发售 Meta Ray-Ban Display 智能眼镜，裸机定价 899 欧元，也可在办理或续约手机套餐时分 36 个月分期，例如 MagentaMobil M 套餐预付 1 欧元后每月 22.1 欧元，总价 796.6 欧元。眼镜右侧镜片搭载 600×600 像素彩色显示屏，集成 Meta AI，支持实时字幕、实时翻译、地图导航和分步操作指引，并可通过语音与附赠的肌电神经腕带操控。眼镜本体续航最长 6 小时，充电盒可额外提供 24 小时，腕带续航 18 小时，使用需搭配兼容手机、Meta AI 应用、Meta 账号和网络连接。
匹配字段摘要、正文
SpaceXSI 将 X Premium、Grok 与 Cursor 打包为一份订阅
SpaceXSI 推出 The X Subscription，把 Grok 的 AI 对话（支持语音、图像、视频和 API）、Grok 的智能体 AI Bot、用于 AI 编码的 Cursor，以及 X Premium 的蓝标认证、创作者工具和减少广告等付费功能打包在一起。新订阅分 free、Plus（8 美元/月）、Premium（30 美元/月）、Super（100 美元/月）和 Ultra（200 美元/月）五档，AI 用量上限随档位提高，免费档仅提供有限的对话和智能体用量，访问最新 Grok 模型需 Premium 及以上。现有用户可在 X 的订阅设置中升级到新套餐，也可保留当前方案，升级入口将逐步开放。
匹配字段摘要
FireRedTTS2 开源长时流式多说话人对话 TTS 系统
FireRedTeam 开源 FireRedTTS2，一个面向多说话人对话生成的长时流式 TTS 系统，支持 3 分钟、4 说话人的对话，并可通过扩展训练语料支持更长对话与更多说话人。系统支持英语、中文、日语、韩语、法语、德语和俄语，具备跨语言与语码转换的零样本声音克隆能力；基于 12.5Hz 流式语音 tokenizer 和双 Transformer 架构，在 L20 GPU 上首包延迟低至 140ms。项目已发布预训练 checkpoint 与推理代码，并支持 bf16 推理，显存占用从 14GB 降至 9GB。
匹配字段摘要
蚂蚁 inclusionAI 开源 Realtime-Venus 全双工交互系统
蚂蚁 inclusionAI 在 GitHub 开源 Realtime-Venus，一个结合全双工对话模型与异步执行框架的交互系统，可在持续对话的同时把任务交给 Harness 推理或调用工具，结果回到同一对话中语音播报。项目包含 Omni 模型集成、可复用的 Harness 包和基于 Codex 任务后端的浏览器 Demo，在线 Duplex Demo 需至少一块 NVIDIA A100 GPU，另提供 Beta 版 Android 演示包。该研究项目由 Venus Team 与清华大学合作完成，代码采用 Apache-2.0 许可。
匹配字段摘要
Vapi 向所有客户开放 GPT-Live 测试版
Vapi 宣布 GPT-Live 测试版向所有 Vapi 客户开放，此前仅限上月开始的限量测试与等待名单。GPT-Live 是 OpenAI 的全双工语音到语音模型，在 Vapi 上分为 speaker 和 reasoner 两个角色，speaker 全程保持通话并在需要查询或执行操作时把任务交给 reasoner，交接条件由提示词控制。迁移时需把原有单一系统提示词拆成 speaker 与 reasoner 两份，转写配置取消，语音改用 OpenAI 的 22 种音色，电话、工具、测试和可观测性等下游能力保持不变。
匹配字段摘要
Google 在 Gemini Live 上线 Guided Vision 实时视觉描述功能
Google 在 Gemini Live 中推出 Guided Vision，可在兼容 Android 设备上通过共享摄像头，对镜头所拍内容进行实时语音描述，支持读取小字、描述周围环境、寻找或识别物体等。该功能面向盲人、低视力用户及需要特定场景协助的人群，同时可在 Google TalkBack 中使用，Android 9 及以上设备可在设置中配置无障碍快捷方式。Google 提醒不要将其用于导航、安全出行指引或障碍物检测，也不能替代手杖或行动辅助工具。
匹配字段摘要
Tavus 推出实时视频对话模型 Griffin，48% 测试者误认其为真人
Tavus 推出名为 Griffin 的 Human Interaction Model，可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。Tavus 研究显示，48% 的参与者在一次一分钟视频通话后认为 Griffin 是真人，此前系统最高为 2%。在 Tavus 称为 Nvidia 独立测试的拟人度评分中，Griffin 得 3.83 分，真人为 3.92 分，此前最佳 AI 模型为 2.80 分。名为 Griffin-Lite 的预览版已向部分测试者开放，能力更强的版本将在安全问题解决后推出。
匹配字段摘要
Google 在 Gemini Live 上线 Guided Vision 实时视觉辅助
Google 在兼容 Android 设备上为 Gemini Live 推出 Guided Vision，用户共享摄像头即可获得实时语音描述和取景提示。该功能与盲人和低视力社区共同开发，Google 与 Aira 合作处理了数万小时视觉解读数据，超过 1000 名 Aira 测试者参与压力测试与安全护栏评估。Google 说明它属于辅助工具，可能出错，不是医疗设备、行动辅具或白手杖替代品，也不用于导航和避障。
匹配字段摘要
OpenAI 发布 Dots 智能体，仅限每月 100 美元 Pro 及以上用户
OpenAI 在年度 DevDay 上发布由 GPT-6 Astra 驱动的智能体 Dots，目前仅向每月 100 美元的 Pro 及以上订阅用户开放，而 Meta 的 Muse 对所有 Meta 账号免费。Dots 被定位为可承接长周期知识工作的“幕僚长”，支持文本、语音和电话多模态交互，并计划推出会计、法律等专业版本，同时与 Microsoft 合作接入 Agent 365。Altman 称 Dots 因算力消耗大而先做高端产品，未来会推出面向数十亿人的大众版本。
匹配字段摘要
助听科技初创公司 Legato 推出 AI 助听眼镜 Legato Frames
助听科技初创公司 Legato 宣布其旗舰 AI 助听眼镜 Legato Frames 正式开售，起售价 999 美元，面向轻中度听力损失成年人。该眼镜把助听技术集成在镜腿中，用 AI 区分人声与背景噪声并放大语音，双扬声器系统将声音导向佩戴者，耳外几英寸处声音可降低 99%。全部处理在眼镜端完成，不含摄像头与录音，整机含镜片重 34 克，续航 10-12 小时，提供三种款式并支持处方镜片与蓝牙音频。Legato 由前 Bose 高管 Mehul Trivedi 和 Steve Romine 于 2024 年创立，此前完成 1200 万美元融资。
匹配字段摘要
OpenAI 为 Codex 推出可跨设备复用的云开发环境
OpenAI 在 DevDay 上为软件工程智能体 Codex 推出可复用的云开发环境，开发者可在电脑、手机或云端运行 Codex，任务启动更快，团队还能共享带审批设置和权限的工作区。Codex CLI 更新支持用语音启动和指挥任务，新增 /agents 视图便于同时委派和跟踪多个任务，并可在 ChatGPT 桌面应用内进行代码审查。OpenAI 还推出 Codex Security Cloud，可按需或定期扫描整个 GitHub 仓库，并在新提交到达时自动检查、去重和准备修复。
匹配字段摘要
Vapi 推出 Personal Agent Calling 测试版，让个人助理代打电话
Vapi 发布 Personal Agent Calling 测试版，为个人助理提供语音层，用户只需把一段提示词粘贴进助理并填入商家与任务，Vapi 即可代为拨号、等待并回报结果。该功能支持 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助理，除 Vapi 通话分钟数外不额外收费。测试中其营收负责人 Bryan Parman 让助理致电航空公司申请 Economy Plus 过道座位，助理在等待 14 分钟后接通人工，按指示拒绝支付 51.69 美元费用，最终获得免费升舱。
匹配字段摘要
Inception Labs 更新 Mercury 系列扩散 LLM 产品线
Inception Labs 在其产品博客集中列出 Mercury 系列扩散 LLM 的进展：Mercury 2 面向搜索场景，可在既有延迟预算内为每次查询执行五十到一百次 LLM 调用；Mercury 2 用于语音智能体时 TTFT 低于 300 ms，并已上线 Azure AI Foundry。Mercury 2.5 被称为市面上能力最强的扩散 LLM，运行速度 1,107 tokens/sec，智能水平较 Mercury 2 提升 40%。此外，Mercury 2 新 API key 可获 100M 免费 tokens，速率限制提升 10 倍。
匹配字段摘要
Eleven v4 Turbo 上线 ElevenAgents
ElevenLabs 宣布 Eleven v4 Turbo 已在 ElevenAgents 中可用，为实时对话提供更具表现力的语音。该模型中位推理延迟约 100 ms，支持 90 多种语言，并在日语、巴西葡萄牙语、普通话和粤语上改进最大；通话中可随用户切换语言，并保持同一音色或切换为母语级音色。ElevenLabs 称 Eleven v4 在 Artificial Analysis 排名第一，在盲测中约 75% 的听众更偏好它。
匹配字段摘要
ElevenLabs 上线图像、视频与 Templates API
ElevenLabs 将图像生成、视频生成和 Flows 中的模板能力开放为 API，图像与视频 API 可调用 Google、OpenAI、ByteDance 和 Creatify 的模型，定价与应用内一致。模板把图像、视频、语音、音乐和音效模型打包成无需配置的工作流，团队在 Flows 中搭建一次后，后续只需传入新的产品图和名称即可批量产出成品素材。这些模型也可通过 ElevenLabs MCP 在 Claude、ChatGPT 或 Cursor 中使用，一次 OAuth 安装即可，无需管理 API key。
匹配字段摘要
Google 发布 Gemini 3.8 Flash TTS 等多项更新
Google 公布本周更新，包括 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频生成模型，以及带 Live Avatar 的 Gemini 3.8 Live，为对话式 AI 加入接近实时的视觉呈现。Gemini Notebook 新增 Interactive Learning Overviews，并将在移动端上线 Live Chat，支持约 100 种语言的免手操作实时语音对话。此外，去年公布的 Project Suncatcher 将发射原型卫星，在轨测试 Google TPU 并探索太空太阳能 AI 算力。
匹配字段摘要