Suno 新增 Speech 功能，可生成带背景音乐的人声音频
AI 音乐生成器 Suno 推出新功能 Speech，能将用户输入的文本转化为包含人声和匹配背景音乐的单一音轨。该功能目前处于 Beta 阶段，适用于诗歌、冥想等场景，但存在口音识别错误等 Bug，且公司未披露模型训练细节。
#语音
#语音
今日 0 条The DecoderAI 评分4242
The DecoderAI 评分6565 微软 AI 发布 MAI-Transcribe-2-Streaming 及两款语音合成模型
微软 AI 发布了用于实时转录的 MAI-Transcribe-2-Streaming 以及两款文本转语音模型 MAI-Voice-2.1 和 Flash 变体。
The DecoderAI 评分6868 ElevenLabs 发布 Eleven v4 语音模型及 Turbo 变体
ElevenLabs 发布新语音模型 Eleven v4，通过新架构提升对笑声、耳语等音效标签的遵循准确度，并支持超过 90 种语言。针对实时场景推出的 Turbo 变体将首字延迟降至约 150 毫秒，优于 Cartesia Sonic 3.6 和 OpenAI GPT-4o mini TTS。两款模型现已上线 API 及平台，并在 10 月 12 日前提供临时降价优惠。
爱范儿AI 评分6363 豆包输入法大版本更新：补齐五大平台并强化跨端同步与 AI 语音能力
豆包输入法正式补齐 HarmonyOS NEXT 与 Windows 版本，实现 iOS、Android、HarmonyOS NEXT、macOS 与 Windows 五大平台全覆盖。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时对话能力结合，为 Gemini Enterprise 提供具备动态视觉化身的交互体验。
推荐理由：原文详细说明了实时视觉化身在异步工具调用和多语言同步上的技术实现，为企业构建具备连续在场感的智能体提供了具体参考。
TLDR AIAI 评分2525 Gemini 3.8 Flash TTS发布，Claude发现新酶系统，Google计划私有AI内存
Google推出Gemini 3.8 Flash TTS和Flash-Lite TTS，支持通过描述设计声音及逐行控制节奏。Anthropic称Claude自主识别出一种与CRISPR特征相关的未知酶系统。Google计划推出Private AI Compute内存，利用加密技术实现跨设备上下文记忆且Google无法读取数据。
Simon Willison精选AI 评分6565 Simon Willison 发布 Gemini 3.8 TTS Playground 测试工具
Simon Willison 发布了 Gemini 3.8 TTS Playground，这是一个用于测试 Google 新推出的 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 模型的交互式界面。
推荐理由：作者基于新发布的 Gemini 3.8 TTS API 构建了可交互的测试工具，展示了多角色对话合成及自定义声音的具体用法。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持从自然语言提示生成自定义角色声音并逐行指导场景对话。
推荐理由：原文给出了两款新 TTS 模型的详细能力边界、基准排名及开放入口，读者可据此评估其在创意配音与规模化部署中的实际可用性。
OpenAIAI 评分1818 Ringg 的 AI 智能体借助 OpenAI 解决高达 65% 的客户通话
Ringg 利用 GPT-5.6 驱动多语言 AI 智能体，在语音、聊天、WhatsApp 和网页端实现高达 65% 的客户通话自动解决率。相比 GPT-4.1，该方案将成本降低了 90%。
TLDR AIAI 评分2828 Jev、Periodic Neon 与 Gemini 3.8 Live 发布
Jev 作为 System One Model，比现有 LLM 快两个数量级且无幻觉；Periodic Neon 在科学分析评测中超越 GPT-6 Astra 和 Claude Fable 5.1。Google 推出 Gemini 3.8 Live 与 3.5 Transcribe 以增强实时语音应用。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 模型
Google DeepMind 推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款新模型，旨在提升近实时推理能力以支持更复杂的语音交互任务。
推荐理由：原文披露了 Gemini 3.8 Live 系列在实时推理、多语言切换及后台工具调用上的具体能力升级与基准表现，为构建生产级语音智能体提供了明确的技术参考。
Google AIAI 评分4545 Google 推出 Gemini 3.5 Live Translate 等工具支持 300+ 语言
Google 宣布其技术已支持全球 86% 人口使用的 300 多种语言，并推出 Gemini 3.5 Live Translate 实现 70 种语言的实时语音翻译。
OpenAI精选AI 评分6262 OpenAI 在 API 中推出 GPT-Live-1 以构建更自然的语音体验
OpenAI 在 API 中推出 GPT-Live-1，为开发者提供自然的全双工语音对话能力。该模型具备更强的指令遵循能力，并支持自定义声音和电话通信功能。
推荐理由：原文说明了GPT-Live-1在API中支持全双工对话、自定义声音和电话功能，开发者可据此评估其在实时语音交互场景中的适用性。
Google AIAI 评分3131 Google 发布 Gemini 3.7 Flash、Pixel 11 及多项 AI 更新
Google 推出 Gemini 3.7 Flash，作为面向编码与智能体的主力模型，其每百万 token 价格仅为前代一半。同时发布搭载 Tensor G6 芯片的 Pixel 11 系列设备，并上线 Gemini 3.5 Transcribe 语音转文字模型。此外，Gemini 应用月活跃用户突破 10 亿，成为 Google 历史上增长最快的产品。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布最新语音转文字模型 Gemini 3.5 Transcribe，旨在实现精准且智能的实时转录。该模型在 Artificial Analysis 测试中流式和非流式平均词错率分别为 4.0% 和 2.6%，支持超过 85 种语言及最多三个说话人的身份识别。
推荐理由：原文给出了新模型的流式与非流式词错率数据、多语言支持范围以及开发者 API 接入方式，读者可以据此评估其在实时交互场景中的实际表现。
ComfyUI BlogAI 评分1818 ComfyUI 与 MiniMax H3 启动同步声音社区挑战赛
ComfyUI 联合 MiniMax 发起基于开源全模态视频模型 H3 的同步声音生成挑战，要求音频由单次推理原生生成。H3 内存占用降低 66%，可在 RTX 3060 等消费级显卡免费本地运行，或通过 Comfy Cloud 体验。参赛者需提交工作流文件，优胜者将获得 RTX 5090 等硬件奖励，结果将于 9 月 2 日揭晓。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型
Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译。该模型能自动检测语言并生成保留说话人语调、节奏和音高的流畅译文，通过持续生成语音而非等待说完来减少停顿。
推荐理由：原文展示了 Gemini 3.5 Live Translate 在连续流式翻译、保留语调及多端部署上的能力变化，为开发者与企业提供了实时语音交互的新方案。
Last Week in AIAI 评分2424 LWiAI Podcast #245：TML 交互模型、Claude for Legal 及 Sam Altman 出庭
OpenAI 发布 GPT Realtime 2 语音 API，Thinking Machines 预览低延迟全双工对话系统。Anthropic 推出 Claude for Legal 并深化 AWS 合作，Sam Altman 出庭作证引发关注。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 推出最新文本转语音模型 Gemini 3.1 Flash TTS，支持通过嵌入自然语言命令的音频标签来精确控制声音风格、语速和表达方式。该模型在 Artificial Analysis TTS 排行榜上获得 1,211 的 Elo 分数，原生支持多说话人对话及 70 多种语言，所有生成音频均带有 SynthID 水印。
推荐理由：新模型引入自然语言音频标签以精细控制语速和风格，并在 Artificial Analysis 基准中取得高分。