ElevenLabs 在 ElevenAgents 中上线合成语音检测，可实时判断来电者是人类还是 AI，并支持将人类来电优先排队、把 AI 来电转给专用智能体处理，同时阻止密码重置等敏感操作。研究者已在 11 个国家追踪到 84 起公共服务申请、申诉和投诉激增的案例，并将其称为“agentic flooding”。捷克的国家福利与就业热线用 AI 智能体每天处理约 5,000 通电话，独立解决约 85% 的来电，接通率从约 60% 提升至接近全覆盖。
匹配字段标题、摘要、正文
ElevenLabs 对比数百个同时运行语音和聊天的生产级智能体后发现，超过两分钟的复杂对话中语音成功率比文字聊天高 32%，成功时解决速度快约三分之一。在模拟航班取消场景中，85% 的参与者更偏好语音。研究还显示，平均端到端延迟降低 16% 对应成功率提升 26%，15 秒内挂断的通话占比从 21.1% 降至 3.8%。
匹配字段标题、摘要、正文
Vapi 推出流量拆分功能，可将呼入和呼出通话流量按 0.1%、1% 或 5% 等比例分配给不同版本的语音智能体，验证后再全量发布。该功能支持按来电者身份保持版本粘性，官方建议先做两路拆分，每次只改一个变量。此前发布新版本会把 100% 流量立即切过去，团队因此不敢频繁迭代。
匹配字段标题、摘要、正文
文本转语音（TTS）分两阶段工作：前端先把文本归一化并转成 token 和向量表示，后端再由神经模型生成声学表示、经 vocoder 输出语音波形。ElevenLabs 在文中以“Mr. Ríos paid $11 on 10/06”为例演示了归一化、分词、韵律、声学模型到 vocoder 的完整流程，并提到发音词典和音素标注可用于微调发音。企业可通过 TTS API 将业务应用接入高质量语音生成。
匹配字段标题、摘要、正文
Google 开始在 Apple Carplay 的 Google Maps 中向用户推送 Gemini，导航界面右侧会出现 Gemini 星形图标，点击即可用语音提出多步骤、开放式指令。用户可让 Gemini 推荐观景地点、查询某地人流并建议更清静的时段、指定避开收费路段，还能在行驶中上报拥堵和事故。该功能先在美国上线，未来几周扩展至全球。
匹配字段标题、摘要
Twitter 联创 Jack 创办的 Block 发布 Dessa，一个从零用纯人类语音训练的 speech-to-speech 模型，无文本、无预训练底座，支持全双工边听边说。该模型声称推理快于实时，可在 MacBook Pro M4 Max 及以上本地运行，整个模型称在一台 NVIDIA GB200 NVL72 上训练完成。团队称其目标是让模型理解语气与情绪，避免听不出对方痛苦仍继续应答的安全风险。
匹配字段标题、摘要、正文
Block 推出全双工语音模型 Dessa，可一边说话一边收听用户语音，并能模拟笑声、停顿、哽咽等情绪表达。官方称其完全基于人类语音数据训练，训练仅使用一组英伟达 GPU 机架，可在 M4 Max 及更高配置的 MacBook 上本地运行。现阶段 Dessa 暂不对外开放试用，Block 正向安全研究者发出测试邀请，重点测试语音智能体欺骗人类的风险场景。
匹配字段标题、摘要、正文
Block 研究实验室发布语音模型 Dessa，采用全双工架构，可边听边说，并能在 MacBook M4 Max 或更强的消费级电脑上本地运行。该模型完全基于人类语音和单张 NVIDIA GPU 训练，官方称情绪、停顿、笑声等表达内建于模型中，而非依赖文本管线驱动。目前 Dessa 未公开开放，Block 正招募安全研究人员测试其可能被用于欺骗对话方的风险。
匹配字段标题、摘要、正文
Ollama 现在可以把文本转成语音，首个语音模型是来自 Gradium 的 Phonon 系列小型文本转语音模型，目前已在 macOS 上线，Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上，Ollama 借助 MLX 加速，速度比 Gradium 自家运行时快 35%，词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口，现有 OpenAI SDK 代码只需更换 base URL；phonon 以 Apache 2.0 发布，40M 模型采用 CC BY-NC 4.0 许可，仅限非商业使用。
匹配字段标题、摘要、正文
Block 发布语音模型 Dessa，称其仅用人类对话训练，不使用文本或预训练模型。Dessa 采用全双工方式，可在说话同时继续听并插话、笑或接话；Block 称它能在搭载 M4 Max 及以上芯片的 MacBook Pro 上本地运行。目前 Dessa 是研究预览版，没有发布时间和定价，仅向少量 AI 安全研究者开放早期访问。
匹配字段标题、摘要、正文
Fortune 报道，加州 Martinez 的母亲 Deborah Del Mastro 在 5 月接到冒充墨西哥贩毒集团的电话，对方播放了用 AI 克隆的女儿哭喊声，她按指示在五小时内从多个地点向墨西哥汇款 5400 美元，事后发现女儿一直在上班。McAfee 测试显示，仅需三秒语音样本即可生成与原声 85% 匹配的克隆；Gallup 与 Stop Scams Alliance 调查估计 2025 年约 1500 万美国成年人被骗，损失约 680 亿美元，其中 12% 涉及 AI 或深度伪造。辛辛那提大学助理教授 Kimberly Hyun 建议家人之间约定只有彼此知道的暗语，接到陌生号码称家人出事的电话应直接挂断并回拨本人核实。
匹配字段标题、摘要、正文
Amazon Audible 技术团队采用可控 TTS，用自然语言描述控制对白演绎，使有声书能区分旁白与对白并识别说话角色。其 BookLLM 在 25 本英语和西班牙语书籍上识别说话角色的准确率分别为 97% 和 94%，角色对白区分度在 MUSHRA 测试中提升 3.7 分。英语和西班牙语测试中，十种声音里有八种听感获得统计显著改善。
匹配字段标题、正文
Google 为 iPhone 用户的 Google Maps CarPlay 版加入 Gemini 语音模式，可从 Maps 26.43.1 版起直接调用，查询中途停靠点、目的地、路况及景点等。该功能此前已在 Android Auto 提供，此次开放范围仅称“美国及世界其他地区”，未给出时间表。功能与 Google 账号绑定，可调用历史对话等个人数据来调整回答。
匹配字段标题、摘要、正文
AWS 展示了在 Amazon SageMaker AI 上托管 Kokoro-82M 文本转语音模型、让 AI 智能体每生成一句就立即流式合成语音的方案，从而不必等完整回复生成完毕再开始播放。Kokoro-82M 仅有 8200 万参数，可运行在单台 ml.g5.xlarge GPU 实例上，容器提供 POST /invocations 和 WS /invocations-bidirectional-stream 两条路由。文章还说明了双向流式传输中二进制 WebSocket 帧的处理方式，以及保持会话不关闭的注意事项。
匹配字段标题、摘要、正文
Amazon Polly 生成式引擎完成升级，新增 14 种语音、覆盖 9 个 locale，并首次在生成式引擎中正式提供印地语和芬兰语。升级后共提供 57 种生成式语音、覆盖 11 种语言和 25 个 locale，并扩展至 AWS GovCloud (US-West)，总计 11 个 AWS Region。现有语音名称和 API 调用不变，属于原地升级，价格不变且无需改动代码。
匹配字段标题、摘要、正文
Sierra 发布 𝜏-Entity 基准，用 200 个任务、十类实体（姓名、电话、地址、邮箱等）测试语音智能体能否准确捕获、识别并修正细节错误。六语言榜单上 GPT Live 1 领先，常规通话正确率 60.3%，但在常规、强噪声、强语音三种条件下全部通过的任务仅 34.0%；Gemini 3.8 Live 与 Grok Voice Think Fast 2.0 分别为 19.5% 和 24.0%。论文还发现，规定“询问—拼读/复述—确认修正—提交”流程可把全条件成功率提升 14–31 个百分点，代价是每通电话多花 21–28 秒。
匹配字段标题、摘要、正文
Google 开始在 Apple CarPlay 的 Google Maps 中向用户推送 Gemini，导航界面右侧会出现 Gemini 星形图标，点击后可用语音提出多步骤、开放式指令。用户可询问观景地点、某地当前人流与更清静的时段，给出地址时直接要求避开收费路段，并在行驶中上报拥堵、事故等路况。该功能先在美国上线，未来几周推广至全球其他地区。
匹配字段标题、摘要
OKA 推出售价 649 美元的蘑菇造型家用机器人灯 Mori，内置摄像头与麦克风，可跟随用户移动、播放自然音效并引导呼吸放松，但不支持语音指令控制智能家居或查询天气。Mori 由多个本地大语言模型驱动，能判断何时互动、何时保持安静，图像与音频在本地处理后即丢弃，人脸数据加密存储不上传。创始人版限量数百台，标准版售价 799 美元且不含订阅功能。
匹配字段标题、摘要、正文
MiniMax M3.1 Flash 与 SGLang Omni 组合，用于构建可实时打断、纠正和重定向的语音智能体。M3.1 Flash 提供快速简洁的响应能力，SGLang Omni 补充流式输出、对话状态与打断处理。有开发者将原 Qwen3-ASR → Qwen3 LLM → Qwen3-TTS 管线中的本地 LLM 替换为 M3.1 Flash API，其余不变，实测响应快、回答简洁直接。
匹配字段标题、摘要
HeyGen Voice Turbo 在 Artificial Analysis 受控语音 TTS 竞技场以 Elo 1,202 排名第一，超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场用同一组 8 个克隆音色（4 个美式、4 个英式）评测，HeyGen Voice Turbo 在 46 个模型中居首，并在 Assistants 和 Entertainment 分类排名第一。其价格为 $4/1M 字符，是榜单最低，比前代 HeyGen Voice 的 $30/1M 字符便宜 7.5 倍。
匹配字段标题、摘要