公众号：小红书技术（dots.llm）精选
AI 评分 75/100
小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。
推荐理由：连续自回归跳过离散 Token 的信息损失，又用语义编码器回灌历史抑制累积误差，为音色克隆和低步数流式共用同一基座提供了路径。
小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。
奇瑞旗下品牌OMODA&JAECOO携手火山引擎在印尼发布东南亚首个具备完整AI原生能力、规模化量产落地的智能座舱方案，首款搭载豆包大模型的车型OMODA 4同步亮相。该座舱依托豆包大模型与Agentic AI架构，由主智能体驱动十大车载智能体协同运作，支持英语、中文、印尼语、泰语、马来语五种语言交互，并采用端云协同架构确保无网、弱网场景下核心功能稳定运行。
Sierra 的智能体现在开箱即可应对最具挑战性的 IVR 电话系统，它们能判断何时拨打电话、如何穿越多层菜单、何时保持沉默，以及如何识别已接通真人。
Sierra 今日发布 Voice Personas，将智能体的行为与表达方式解耦，允许企业分别设计“做什么”和“怎么说”。该功能旨在让 AI 智能体在完成任务的同时，以更贴合品牌调性的语气与用户互动，提升客户体验的个性化程度。
独立开发者叶小叔用面壁智能开源的VoxCPM声音克隆模型，成功让AI克隆网红声音并实现实时对话，视频在抖音获100万播放、X上5.9万人围观。此前他尝试本地开源模型（TTS合成需14-40秒）和云端Cartesia Pro（中文效果不佳）均失败，最终租用RunPod L4 GPU（$0.4/小时）部署VoxCPM，TTS首包延迟不到1秒，端到端体感2-3秒。
独立开发者叶小叔用面壁智能开源的 VoxCPM 克隆千万粉丝网红声音，搭建 STT → LLM → VoxCPM（TTS）三段式实时对话管道，TTS 首包延迟不到 1 秒，端到端体感 2 到 3 秒。
字节 Seed 发布 SeedRealtime，用统一架构原生融合音频、视频与文本，实现“边看、边听、边说”的实时交互。相比级联模型，其音视频对话节奏问题减少一半，并已在豆包 App 全量上线，率先实现音视频全双工技术的规模化落地。
另有 3 家信源报道IT之家（RSS）X：Testing Catalog (@testingcatalog)MarkTechPost（RSS）LangChain 官方博客介绍如何用 LangSmith 评估语音智能体，覆盖执行、结果与来电者体验三个层面。评估手段包括 LangSmith traces、代码评估器、LLM judges 和人工审查，帮助开发者系统化验证语音智能体的实际表现。
腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview，基于大语言模型 Hy3 与 MoE 架构，融合高精度识别与语义理解。其在开源评测集中中文普通话 WER 3.34%、英语 WER 2.62%、粤语 WER 3.12%，并支持上下文纠错、热词注入及高噪耳语等场景。该模型已上线腾讯云 API，元宝 App 首发并免费开放。
另有 2 家信源报道IT之家（RSS）X：腾讯混元 (@TencentHunyuan)OpenAI 推出 GPT-Live，实现与 AI 的连续语音交互。该系统采用无轮次语音模型和低延迟架构，使对话更快、更自然。GPT-Live 的构建耗时六个月，核心在于减少交互延迟并支持不间断对话。
Skywork Note 上线七天，首批海外库存全部售罄。昆仑万维宣布加速推进整套智能硬件家族，包括录音背夹、AI 挂件 Recall（17.4 克，内置 VAD 语音检测）与 AI 戒指 TriRing（4 至 6 克，行业首个双麦克风降噪算法，可监测心率、HRV、血氧和睡眠）。Note 升级版 Skywork Mate 即将发售，支持 8 米拾音与 6nm AI 音频芯片。
avatarin 借助 OpenAI 的 GPT-Realtime，为山田电机顾客提供 24/7 多语言支持。上线两周内，已有 3 万人使用该智能体，92% 的调研反馈为正面评价。
Apple 为 Siri Expressive Voices 推出了一种内存高效的音频合成架构，其 detokenizer 在 AMX 上以约 10ms/步运行，峰值内存仅约 21MB。相比此前设备端系统，该架构将 Mean Opinion Score (MOS) 整体提升 +0.28（4.15 vs. 3.87），对话语音提升 +0.42（4.24 vs. 3.82）。
腾讯自选股旗下微证券早报正式接入腾讯混元大模型，推出AI语音播客，支持用户收听时随时打断并提问，AI主播能即时解答后接回主线。播客提供简洁/深度两种模式及单人/双人播报形态。同时，微证券AI智能助手接入腾讯混元记忆（Hy-Memory），在记忆评测中综合得分79.6，多跳召回率达90%。
腾讯自选股旗下微证券早报接入腾讯混元大模型，推出支持实时互动与随时打断的 AI 语音播客，用户可开口提问，AI 主播即时解答后续接回主线。播客提供简洁版与深度版、单人/双人播报模式。同时，微证券 AI 智能助手接入腾讯混元记忆（Hy-Memory），在记忆评测中综合得分 79.6，多跳召回率达 90%。
OpenRouter 推出 POST /api/v1/audio/transcriptions 端点，用户可使用同一 API key 将 base64 编码音频发送至该端点，返回 JSON 格式文本与用量对象。
LangSmith 现已支持追踪基于 Pipecat、LiveKit、OpenAI Realtime 和 Gemini Live 构建的语音智能体。开发者可在单次追踪中捕获音频、语音转文字（STT）和文字转语音（TTS）延迟、中断事件以及工具调用等关键指标。
通义实验室发布 Qwen-Audio-3.0-TTS，含 Flash（首包延迟约300ms）和 Plus 两个版本。Plus 版本在 Artificial Analysis 榜单夺冠，支持16种语言和20种中文方言，平均 WER/CER 低至3.87（Flash），说话人相似度最高达82.75（Plus）。
通义实验室发布 Qwen-Audio-3.0-TTS 实时语音合成模型，含 Flash 与 Plus 两个版本，首包延迟约 300ms。模型支持 16 种语言和 20 种方言，Plus 版在 Artificial Analysis 榜单夺冠，平均说话人相似度达 82.75。新增 Free-style 自然语言指令、细粒度标签控制及嘈杂环境鲁棒性，音频输出提升至 48K，单次合成最长 3 分钟。
另有 1 家信源报道X：通义千问 / Qwen (@Alibaba_Qwen)字节跳动 Seed 团队发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持 100ms 间隔精度的时间控制、单次约 2 分钟音频的延展生成及 20+ 语种自然生成。该模型已在火山方舟体验中心上线，多数场景音频可用率达 90% 以上，多语言音频自然度 MOS 超 4 分。
2026世界人工智能大会首日，千问推出AI智能体眼镜与首款AI智能体耳机两大硬件。智能体眼镜升级全双工语音、眼动追踪、体征监测等技术，并实现行业首个用户体征实时监测，可测量心率、血氧、HRV等数据。上述技术年内应用于千问AI智能体眼镜，已发售的千问AI眼镜S1、G1将通过OTA引入Agent能力；耳机由千问与Bose联合打造，支持同声传译、会议纪要等功能。
阿里通义实验室发布实时语音交互模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 的 Speech Reasoning 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。
阿里语音交互模型 Fun-Realtime-AudioChat 全面升级并更名为 Qwen-Audio-3.0-Realtime，支持根据语境动态调整语气与情感、音色克隆，并内置多模态双工控制模型，实现声纹级背景过滤。
OpenAI 今日推出 GPT‑Live，基于全双工架构实现同时听与说，支持自然打断与实时回馈。该模型每秒多次判断是否说话、倾听、打断或调用工具，并将搜索、推理等复杂任务委托给后台 GPT‑5.5，保持对话流畅。即日起向全球 ChatGPT 用户提供 GPT‑Live‑1 和 GPT‑Live‑1 mini 两个版本。人类评估显示，在 5‑10 分钟对话中，GPT‑Live‑1 系列在自然度、轮流、打断等方面显著优于 Advanced Voice Mode；在 GPQA、BrowseComp 和 τ³‑Voice Telecom 基准测试中也表现更强。未来将开放 API。
另有 11 家信源报道The Verge：AI（RSS）X：Jason Liu (@jxnlco)X：OpenAI (@OpenAI)IT之家（RSS）X：Greg Brockman (@gdb)X：Testing Catalog (@testingcatalog)X：Kim (@kimmonismus)TechCrunch：AI（RSS）Hacker News 热门（buzzing.cc 中文翻译）X：Sam Altman (@sama)The Decoder：AI News（RSS）xAI 发布 21 个新旗舰语音，加入原有的 5 个语音。所有新语音均支持多语言，已在实时 Voice Agent API、Text to Speech API 及新推出的 Grok Voice Agent Builder 中可用。每个语音针对客服、角色、解说、广告、教育等场景定制，支持通过 [pause] 等语音标签控制表达。原始 5 个语音（Ara、Eve、Leo、Rex、Sal）经重训练后，节奏、措辞和重音的自然度提升。所有语音原生支持 Grok Voice 的 25 种以上语言。
针对基于注意力的编码器-解码器（AED）模型无法直接处理长格式声学编码的问题，研究提出四项改进：在交叉注意力中注入显式的绝对位置编码；采用扩展声学上下文的长格式训练以消除隐式绝对位置编码；通过片段拼接覆盖训练中的多种分段方式；使用语义分割对齐AED解码片段与训练片段。这些方法消除了连续编码与分段编码之间的精度差距，使注意力解码器能够以自回归方式用于长格式解码。
Apple 机器学习研究团队采用紧凑的 seq2seq 模型进行 ASR 纠错，训练数据来自真实和合成音频的 ASR 错误。通过级联 TTS 和 ASR 构建合成语料，关键在于匹配真实错误分布的多样性。模型采用 correction-first 解码，生成候选后利用 ASR 声学分数重新排序。与 LLM 相比，该模型参数少 15 倍，在 LibriSpeech test-clean/other 上分别达到 1.5% 和 3.3% 的词错误率（WER），优于 LLM，并能泛化至 CTC、Seq2seq、Transducer 等多种 ASR 架构，在低错误率场景中提供精确纠错。
Apple与Google团队研究连续扩散（CD）口语语言模型（SLM）的缩放性质。CD SLM直接处理连续语音，避免离散化瓶颈。引入音素Jensen-Shannon散度（pJSD）评估语言质量，发现验证损失和pJSD均遵循缩放定律，最优token-to-parameter比率随计算量增加而下降。扩展至16B参数并采用数千万小时对话数据训练后，可生成富有情感、韵律、多说话人、多语言的语音，但长文连贯性仍为显著挑战。
通义实验室发布Fun-ASR-Realtime实时语音识别模型。单模型覆盖30种语言及16种方言，针对东亚、东南亚地区重点优化。在工业级方言测评inhouse上取得87.8%的语义准确率，大幅领先，多地方言接近人工水平。引入上下文理解与动态热词注入，实现同音词、品牌名等语义消歧。流式识别首字延迟控制在百毫秒级，准确率接近离线水平，支持多语言无缝切换。API已上线阿里云百炼平台。
另有 1 家信源报道IT之家（RSS）通义实验室发布 Fun-ASR-Realtime，单模型支持 30 种语言和 16 种方言，在工业级方言测评 inhouse 上取得 87.8% 的语义准确率。该模型支持动态注入热词与对话上下文实现语义消歧，首字延迟控制在百毫秒级别，流式识别准确率接近离线水平，并支持多语言无缝切换。API 现已上线阿里云百炼平台。
JoyAI App 近日上线 UGC 数字人功能，用户只需上传一张照片即可生成专属虚拟数字分身，支持一键复刻写实形象或通过模板重塑为卡通风格，搭配用户自己的语音即可解锁专属陪伴。该功能复用“万能博士”技术底座，集成 JoyAI 语言、语音、数字人大模型，实现行业领先的全双工对话，支持随时打断、自然接话。数字人兼具情绪陪伴与全能助手属性，可提供点外卖、金融咨询、学英语、规划行程等生活服务。
xAI 推出 Voice Agent Builder 测试版，这是一个基于 Grok Voice 的无代码平台，可在两分钟内创建生产级语音智能体。它集成电话、知识检索、工具、MCP、Guardrails 及可观测性，支持连接现有 SIP 号码、API 和 WebSocket，采用语音到语音路径。在 τ-voice Bench 上，Grok Voice Think Fast 1.0 得分 67.3%，领先 Gemini 3.1 Flash Live（43.8%）和 GPT Realtime 1.5（35.3%）。定价为每分钟音频 0.05 美元、电话费 0.01 美元，提供 80+ 种语音及声音克隆，每个账户附赠一个免费电话号码。
另有 1 家信源报道X：SpaceXAI (@SpaceXAI)AI 视觉艺术家 Dream Relic（Broc Vaughn）通过 Suno 的 Create 功能，将多年来积累的歌词转化为配乐歌曲，为其超现实、怀旧风格的影像世界赋予声音。他在 TikTok 和 Hooks 上发布的一首 Suno 生成曲目获得数百条评论，甚至有人表示“讨厌 AI 音乐但这是例外”。这一反响促使他更认真对待音乐创作——此前他曾与唱片公司和制作人合作但效果不佳。Dream Relic 正筹备发布全长专辑，并在 TikTok、Hooks、Spotify 等平台上线多首作品。
Apple Creator Studio 推出多项 AI 增强更新。Final Cut Pro 新增 on-device AI 驱动的 Generate Captions（自动转录音频生成字幕）和 Edit Detection（自动检测剪辑点）。Mac 版加入 Auto Mask（自动识别皮肤、天空等主体）、增强的 Match Color 和 Advanced Trimming。支持将帧发送至 Pixelmator Pro 编辑，并在 Keynote、Pages、Numbers 中直接调用 Pixelmator Pro 修改图片。Logic Pro 新增 Grammy 制作人制作的 Producer Project 及 Chord ID 改进。订阅价 $12.99/月或 $129/年，新用户免费试用一个月，教育用户 $2.99/月。
Treble Technologies 与 Hugging Face 联合推出 FFASR（Far-Field ASR）排行榜，这是首个开源社区驱动的真实远场声学条件 ASR 评测基准。传统近场评测无法反映混响、背景噪声和麦克风距离带来的性能下降。FFASR 使用混合波模拟引擎生成声学数据，涵盖 14 种房间（20–470 m³）和三个信噪比级别（远场高 SNR >14 dB、中 SNR 8–12 dB、低 SNR <6 dB），加上近场干燥条件，共四类条件决定主排名。另有实验室实测/模拟验证轨道和移动声源 beta 版。性能指标同时报告词错误率（WER）和实时因子（RTFx，在 NVIDIA L4 GPU 上评估）。未来将支持多说话人场景、麦克风阵列和回声消除。
火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0），支持文本与音频参考生成，端到端输出目标音频。单条Prompt可编排多角色对白、情绪语气、背景音乐及环境氛围，长时生成中保持多角色音色一致性，无需后期多轨混音。模型支持0样本多模态输入，无需额外训练即可生成；实现音色与风格解耦控制及“一声多角”能力。一次支持2分钟音频创作，多次延长保持音色统一。已开启火山方舟API邀测，个人用户享30分钟创作额度，即将上线剪映、即梦、番茄等产品。
火山引擎上线豆包实时语音模型3.0（Seeduplex）API 服务并开启邀测。该模型为原生全双工端到端语音大模型，具备精准遵循、抗干扰、动态判停三大优势。可在多人对话中安静待命，指定话题出现时主动加入；支持通过自定义工具在实时交互中完成预定日历、发送邮件等任务。抗干扰力提升，误回复率与误打断率大幅降低；判停延迟缩短约250ms，复杂场景抢话比例下降40%，用户主动打断延迟缩短约300ms。适用于汽车智能座舱、智能硬件、智能客服等场景。