2026年4月17日,xAI发布两个独立音频API:Grok Speech to Text(STT)和Grok Text to Speech(TTS),基于驱动Grok Voice、Tesla车辆和Starlink客服的同一套技术栈。据xAI官方信息,STT支持REST批量转写与WebSocket实时转写,具备词级时间戳、说话人分离、多声道和逆文本归一化,覆盖25+语言,批量定价每小时0.10美元、流式每小时0.20美元;TTS支持[laugh]、[sigh]、[whisper]等语音标签控制语气与情感,定价每100万字符15.00美元。目前尚无后续发展事实,状态为发布当日。
匹配字段标题
匹配字段标题
2025年8月19日,Cartesia发布语音代理开发平台Line。该平台采用代码优先设计,开发者可通过SDK、CLI和GitHub集成快速构建和部署语音代理。Line集成Sonic和Ink模型,提供低延迟、可扩展的基础设施,并支持企业本地部署和模型微调。
匹配字段标题
2025年5月6日,Cartesia推出专业语音克隆(PVC)功能,基于Sonic模型微调,可复刻音色、节奏、风格和环境。该功能现已在Startup及以上套餐自助提供,支持15种语言,可通过Playground或API创建。
匹配字段标题
xAI 发布 Grok语音转文字与文字转语音API
English translation is being prepared.
匹配字段标题
Together AI 原生上线 Deepgram STT与TTS模型系列
English translation is being prepared.
匹配字段标题
Cartesia 发布 语音代理开发平台Line
English translation is being prepared.
匹配字段标题
Cartesia 推出 专业语音克隆功能
English translation is being prepared.
匹配字段标题
ElevenLabs宣布,ElevenAgents已原生集成NiCE CXone、Genesys Cloud、Amazon Connect和Five9四个呼叫中心平台,其他平台可通过SIP中继接入。智能体可在现有呼叫流程中完成来电人验证、改约或报案等任务,并把结果写回CRM,转人工时携带完整上下文。该语音栈由ElevenLabs自研音频模型组成,提供超过17,000种声音、90多种语言。
匹配字段摘要
ChatGPT于2026年11月4日宣布,ChatGPT Voice已接入Finances功能。用户可通过Finances安全连接账户,再用语音讨论支出、储蓄等财务问题,官方同时给出了试用链接。同日,Testing Catalog报道称,OpenAI正在为ChatGPT Finance功能推出ChatGPT Voice,用户可随时随地就支出、储蓄及各类财务话题进行对话;该报道还提到,ChatGPT Finance目前仅在美国提供。
匹配字段摘要
极米记得AI记忆眼镜G1与AI记忆手环L1于10月28日正式开售。据VR陀螺报道,手环L1标准版售价599元,眼镜G1标准版首发价1299元。两款设备共用极米记得App与同一套AI记忆服务,开机即录,可将日常交流转写并自动生成会议纪要、待办事项和生活卡片。数据管理上采用只留文字不留原音的方式,语音转写完成后删除原始音频,并支持设置免录时段和隐私禁词。目前暂无后续发展信息。
匹配字段摘要
Neuralink团队在72小时黑客松中为P21受试者Kenneth开发出8项功能原型,包括在脑中默念“Hey Neuralink”并想好任务即可触发Grok智能体自主操作电脑。团队还重写了神经语音活动检测系统,实现无需按键的纯意念语音解码,并把解码语音接入iPhone通话麦克风音频流,让这位渐冻症患者用意念给妻子拨通电话。此外,专属应用Bloom支持在咖啡馆用意念点单,系统级脑机输入法可在任意App中输入文字。同日,Elon Musk宣布Neuralink首款产品名为Telepathy,称其输出带宽将在几年内远超最快的人类语音或打字速度,该推文引用了Neuralink工程师为一位言语恢复研究参与者进行72小时黑客松、快速原型多项意念沟通功能的帖子。
匹配字段摘要
2026年10月30日,Shobhit Banga发布双轨对话数据集Joy,包含10万小时真实、非脚本化的双人对话,每人在独立音轨,覆盖5万名说话人和10种语言。Rohan Paul在同日报道中指出,当前语音AI主要用LLM编写、TTS朗读的虚假对话训练,听不到人们互相抢话,他对这些对话如何维持10到20分钟感到好奇。目前该数据集已发布,尚无后续开发进展。
匹配字段摘要
ChatGPT宣布为dot上线短信交互功能:用户可通过iMessage或RCS给dot发短信,用文字、照片或语音留言派任务,也可让它持续关注某件事,dot会主动发消息汇报进展。该功能以预览形式向美国Pro用户推送。官方称只有用户本人能给自己的dot发消息,dot也只能回复本人,且不会让dot或OpenAI访问用户的其他短信对话;设置方式是在dot的个人资料页选择Texting,dot在不同入口共享同一套上下文和插件。
匹配字段摘要
Sarvam AI 正向马哈拉施特拉邦 2500 名政府官员推广其 Indus Cowork 工具,用于起草文件、分析报告、汇总档案和检索政府记录。据 Analytics India Magazine 报道,该工具于 10 月 28 日由首席部长 Devendra Fadnavis 发布。该邦今年 8 月批准了 Sarvam 的主权 AI 方案,两年预算 11.26 亿卢比,除 Indus Cowork 外还包含面向公民沟通的语音与 WhatsApp 系统 Samvaad,并将 Saaras 语音识别和 Bulbul 文本转语音模型接入该邦 MahaAI 平台。平台支持包括马拉地语在内的 22 种语言,并提供检索政府决议的 GR Expert、邮件摘要和 RFP 投标评估等工具;Sarvam 称系统运行在位于印度境内的安全审计基础设施上。
匹配字段摘要
2026年10月28日,ElevenLabs发布强制对齐模型Cue,可为音频中每个字符定位精确时间点,并已用于Scribe语音转文字模型家族。据ElevenLabs博客介绍,Cue覆盖90多种基准语言,单次可处理任意长度录音,在生产GPU上对齐1小时音频约需半秒;在29种语言的基准上,其准确率高于ElevenLabs测试的所有对齐工具。该模型也通过Forced Alignment API单独开放。目前尚无后续发展信息。
匹配字段摘要
2026年10月27日,乐奇Rokid在杭州发布全彩AI眼镜Rokid Color与交互戒指Rokid Ring,同场还推出乐奇AI眼镜二代。据VR陀螺报道,三款产品售价分别为4999元起、1699元和3699元;Rokid Color采用三色合光全彩Micro-LED加衍射波导方案,视场角25°、分辨率500×380、最大亮度1000 nits,整机重55g。Rokid Ring由乐奇Rokid联合MythLink打造,支持食指点击、滑动、旋转和响指等微手势配合眼镜操作,并具备心率、血氧、体温等健康监测功能。同日,乐奇Rokid与千问办公宣布合作,千问办公正式接入乐奇AI眼镜,用户可在“Rokid AI”App智能体商店添加并绑定账号后,用语音唤起并下发任务、在眼镜端查看结果。
匹配字段摘要
新加坡厂商Brilliant Labs于当地时间10月27日发布Halo AI眼镜,售价399美元。该设备采用全彩Micro-OLED显示屏,搭载自研AI助手Noa,支持实时语音交互与长期记忆,围绕Ask、Make、Play三种体验展开,其中Narrative系统可将现实活动转化为可实时调整的互动游戏。硬件与软件均采用开源设计,以端侧AI处理为核心,整机重量略高于40克,官方称最长续航14小时。另据Unite.AI报道,Noa和miniapps设有每日使用上限,Noa Plus每月9.99美元、Noa Pro每月39.99美元,公司同时宣布获得Goodwater Capital投资,未披露金额。
匹配字段摘要
2026年10月26日,腾讯混元开源实时中英同声传译模型Hy-SimulMT,延迟约3秒,支持实时语音克隆,模型已在Hugging Face、ModelScope和GitHub发布。腾讯混元官方称其表现优于多数开源模型和商业API。次日IT之家报道,该模型支持中英语音到语音实时翻译,已在腾讯Hy翻译App免费上线;官方称响应时间实测约3秒,人类专业译员平均为4至5秒。在长音频开源评测集RealSI上,该模型在最低延迟下取得开源模型最佳效果,并称超过大多数商用同传API;在与6位CATTI持证同传专家的对比中,其翻译质量得分更高、时延更低。
匹配字段摘要
2026年10月25日,特斯拉宣布正在自研一套基于AI的地图导航系统。据凤凰科技当日报道,特斯拉副总裁阿肖克·埃卢斯瓦米在财报电话会议上确认了这一消息,并称该系统将随FSD v15上线。他介绍,新系统采用全新架构而非另一版地图,融合车队采集数据与个性化路线规划,支持FSD语音控制;车队会自动采集街道信息并标注通行速度、停车标识、红绿灯、停车场等数据,用于解决限速识别、泊车和路线规划问题。按计划,新地图先在FSD v15的行程出发和到达阶段使用,之后数月内逐步覆盖泊车和语音控制等剩余导航能力。目前尚无后续进展披露。
匹配字段摘要