Suno 发布 Speech 语音模型 beta，可同时生成人声与音乐
Suno 发布 Speech 语音模型 beta，这是其首个将人声与音乐作为一条完整音轨同时生成的音频模型。用户在 Suno 中输入想法、诗歌或文字，并描述想要的音色与音乐风格，即可生成配原创背景音乐的语音内容。该功能已向全部用户开放 beta，此前已在小范围用户中测试一个月，官方称 beta 阶段口音和停顿仍不稳定。
匹配字段标题
←搜索结果
搜索“语音”
微软发布 MAI-Transcribe-2-Streaming 流式转写模型及两款语音模型
微软发布首款流式转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动连续语言检测，在 Artificial Analysis 的最终与部分转写准确率上均排名第一，收到音频后 100ms 出头即可给出首个部分结果，年内按每小时音频 0.54 美元计价。同时发布多语言文本转语音模型 MAI-Voice-2.1，支持 23 种语言和 26 个地区，单一音色可用各语言的原生口音，定价每 100 万字符 22 美元；以及面向高并发低延迟场景的 MAI-Voice-2.1-Flash，端到端延迟 150ms、可生成 45 秒音频，推理速度提升 55%，定价每 100 万字符 15 美元。三款模型可通过 Microsoft Foundry 等渠道使用，MAI-Voice-2.1 系列已上线 OpenRouter。
匹配字段标题
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股权转让，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。ElevenLabs 成立于 2022 年，以生成高度逼真的人声和音效著称，总部位于纽约和伦敦。
匹配字段标题
Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与语音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，默认按 Seed TTS Eval 英文集与 CV3 Eval（zero shot）的宏平均 WER 排名，hexgrad/Kokoro-82M、Supertone/supertonic-3 和 fishaudio/s2-pro 领先。榜单支持多语言切换（中日韩用 CER）、语音克隆对比与 SIM 说话人相似度列，并新增 Streaming 标签页按 TTFA 排名，kyutai/pocket-tts 在 GPU 和 CPU 上表现突出。
匹配字段标题
Gemini Notebook 实时语音聊天向所有 Pro 用户开放
实时语音聊天现已 100% 向移动端所有 Pro 用户开放！ 你试过了吗？欢迎告诉我们你的想法！☺️
匹配字段标题
Vapi 推出 Vapi for CX：让企业掌控语音智能体全生命周期
Vapi 发布 Vapi for CX，一套面向 CX、运营、产品和工程团队的语音智能体工具包，主打对智能体全生命周期的完全控制。Vapi Composer 支持用自然语言构建语音智能体，产出的配置对象与 API、CLI 和 MCP server 中的一致，底层设置仍可编辑；电话、轮次切换、打断处理、并发与合规由 Vapi 托管。
匹配字段标题
在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（上）
AWS 发布教程，演示如何用 vLLM-Omni Deep Learning Container 在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出，并配套 Gradio 应用。该 DLC 基于 vLLM-Omni v1.5，新增 SageMaker AI 所需的双向流式能力标签与路由中间件，示例使用 v1/audio/speech/stream 原生 WebSocket 路由。
匹配字段标题
ElevenLabs 发布 Eleven v4，用 Audio Tags 逐句导演情感语音
ElevenLabs 发布情感文本转语音模型 Eleven v4，可在脚本中用 [furious]、[sarcastic]、[crying] 等 Audio Tags 逐句指定情绪，模型会据此调整语气、节奏和停顿，并加入叹息、笑声等非语言声音。官方建议一次生成整段文本以建立场景上下文，TTS 应用单次最多支持 10,000 字符，每个句段只用一个情绪标签，效果不理想时优先替换标签而非改写文本。
匹配字段标题
ElevenLabs 发布 Eleven v4 与 Eleven v4 Turbo 语音模型
ElevenLabs 发布 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称其为目前最具情感表现力的文本转语音模型。Eleven v4 在 Artificial Analysis 排名第一，盲测中约 75% 听众更偏好它；Eleven v4 Turbo 面向智能体等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms。两款模型支持 90 多种语言，可用 [laughs] 等内联标签控制语气与音效，Instant Voice Clones 仅需 10 秒音频，并新增 Professional Voice Clones 支持，现已在 ElevenAgents、ElevenCreative 和 ElevenAPI 上线。
匹配字段标题
NOS 用 ElevenLabs Text to Speech 打造客服 AI 语音智能体
葡萄牙电信与媒体公司 NOS 基于 ElevenAPI 平台、使用 ElevenLabs Text to Speech 生成欧洲葡萄牙语语音，构建了客服对话式 AI 语音智能体，目前以 3-5% 客户群进行生产测试。早期结果显示，语音智能体成功处理测试群体约 50% 的来电，转人工时与语音智能体交互的时间比旧 IVR 菜单低 15%，客户满意度净分实现两位数提升。NOS 还在迭代音素词典，并用 Professional Voice Cloning 优化品牌语音质量。
匹配字段标题
Modulate 融资 2500 万美元，用小型模型阵列做语音分析与深伪检测
波士顿语音智能初创公司 Modulate 完成 2500 万美元新融资，由 Future Ventures 领投，Hyperplane 和 Lakestar 参投。其平台运行 100 多个小型模型，分为信号提取与分析检测两类，为企业提供转录、情绪分析、深伪与 AI 音乐检测，以及受监管行业语音智能体的合规执行。公司现有 40-45 名员工，计划再招 10 人加强模型建设。
匹配字段标题
祖父被深度伪造语音骗走赎金后，她创立了 DetectifAI
DetectifAI 是 Tarini Padmanabhuni 在旧金山创立的公司，起因是她的祖父被 AI 生成的深度伪造语音冒充其兄弟骗走赎金。该公司设计可直接在手机操作系统内运行的紧凑 AI 模型，在通话和语音消息中即时判断声音是否为 AI 生成，音频不离开设备，并以 SDK 形式授权给手机厂商。DetectifAI 已为印度金融机构每月处理超过 10 万通电话，并入选 TechCrunch Disrupt 的 Startup Battlefield 竞赛。
匹配字段标题
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，可部署为全托管实时推理端点，仅凭几秒参考音频与转写文本即可克隆音色，无需重新训练。该模型覆盖中文、英语、日语等 10 种语言，支持流式生成与跨语言克隆，输出 24 kHz 音频，并可与 Qwen3-TTS-12Hz-1.7B-CustomVoice、Qwen3-ASR-1.7B 一同选用。
匹配字段标题
ElevenAgents 语音智能体能力解析：训练、记忆与更多
ElevenLabs 的 ElevenAgents 通过动态变量、通话发起 webhook 和通话后 webhook 实现跨通话记忆，单次通话内自动保留完整上下文。智能体支持 PDF、Word、文本、Markdown、HTML、EPUB 等格式内容训练，用 RAG 检索相关段落，小文档则保留完整上下文。情绪检测可在客户不满时实时降级并转接人工，隐私设置涵盖数据保留、音频存储、转录脱敏和零保留模式，企业医疗部署可申请 HIPAA 合规。
匹配字段标题
Sarvam AI 发布 Saaras V4 语音识别模型
Sarvam AI 发布新一代语音识别模型 Saaras V4，采用音频编码器加 3B 混合状态空间 LLM 解码器，解码器完全自研从零训练。该模型在全部 22 种印度语言上达到 SOTA，并在七个全球英语数据集上取得最低 WER；支持 transcribe、translate、verbatim、translit、codemix 五种转写格式，语言识别错误率在十大印度语言为 2.9%、全部 22 种为 5.22%。
匹配字段标题
Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google 于 2026 年 9 月 23 日发布文本转语音模型 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，前者支持用自然语言提示词在 100 多种语言和方言中定制音色与口音，并拥有 2,000 多种音色的语音库，30 秒音频样本即可复现一致的语音特征；后者面向大批量配音和音频内容制作，强调成本效率。两款模型均可按台词指定语气与表演，并加入笑声、叹息、mhm 等副语言声音，在 voicearena.com 的盲测人工评估中于日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语等语言上获得靠前评价。语音克隆需提交说话者本人的口头同意录音，所有生成音频均嵌入 SynthID 水印。两款模型将陆续开放，Flash TTS 可在 Gemini Notebook 试用，Flash-Lite TTS 可在 Google Vids 试用，开发者可通过 Google AI Studio 和 Gemini API 使用。
匹配字段标题
Simon Willison 用 Gemini 3.8 TTS 搭建自带密钥语音 Playground
Google 发布 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两款文本转语音模型，提供超过 2000 种音色，并支持用 30 秒音频样本创建自定义音色。Simon Willison 借助 Gemini API 的开放 CORS 策略，用 GPT-6 Astra 快速搭建了一个自带密钥的 Playground，并演示了多角色对话的语音生成。他实测用 Gemini 3.8 Flash TTS 生成 1 分 18 秒音频约耗时 20 秒，成本 2.74 美分。
匹配字段标题
Google AI Studio 上线新版文本转语音与声音设计模型
Google 在 AI Studio 上线新版文本转语音与声音设计模型，提供数千种新音色可选。该模型支持在 30 秒内复刻自己的声音、用提示词设计音色，并通过表达标签控制语音效果。
匹配字段标题
Python 语音识别教程：用 ElevenLabs Scribe v2 构建转录应用
ElevenLabs 发布 Python 语音识别教程，演示如何通过 ElevenAPI 将 Scribe v2 和 Scribe v2 Realtime 集成到 Python 项目，实现批量与实时转录。教程覆盖说话人分离、词级时间戳、多语言支持、关键术语提示和低延迟转录等商用功能，并说明可先在 AI 编程平台安装 ElevenLabs 技能生成代码，免费试用 API 后再订阅付费方案。
匹配字段标题
Vapi 早期实验：用 TypeSafe AI 的 Jev 模型为语音 AI 加装护栏
Vapi 测试了 TypeSafe AI 早期访问的"System One"模型 Jev，它不生成文本，而是根据上下文和聚焦问题返回分数或 yes/no 概率等结构化决策。在语音 AI 护栏原型中，Jev 在响应送入 TTS 前并行打分，一次早期测试中捕获了至少四分之三违反规则的回复，但并非 100% 合规保证。实验还发现规则措辞影响巨大，建议从简短规则起步并重复动词。
匹配字段标题