Suno 推出 Speech 语音生成功能 Beta 版
Suno 宣布 Speech 功能进入 Beta，称其为首个能在生成语音的同时配上匹配背景音乐的模型，用户更新 App 即可使用。官方示例包括用 Gen Z 俚语朗读《奥德赛》中的塞壬段落、用维多利亚时代英语请求室友洗碗。Suno 提醒 Beta 阶段仍有不足，例如英国口音有时听起来更像澳大利亚口音，戏剧性停顿可能过于夸张，后续会逐步改进。
匹配字段标题、摘要
←搜索结果
搜索“语音”
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、摘要
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、摘要
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、摘要、正文
ElevenLabs MCP 新增语音、音乐、图像与视频生成能力
ElevenLabs 的 MCP 连接器新增生成能力，用户通过一次安装和 OAuth 登录，即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频，所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型，无需自建服务器或管理 API 密钥，且与驱动 ElevenLabs Agents 的 MCP 为同一个，已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具，数据驻留地在连接时选择。
匹配字段标题、摘要
OpenAI 在 API 中上线 GPT-Live-1 语音模型
OpenAI Developers 宣布 GPT-Live-1 已在 API 中上线，可把 ChatGPT 式的自然对话带入应用，语音智能体能在说话的同时继续聆听，并支持自行选择模型与框架。Dominik Kundel 转发了这一消息，表示期待看到大家用它做出的作品。
匹配字段标题、摘要
Gemini 语音能力上线，可对话式搜索 Gmail、整理 Keep 并创建 Docs
Google 正在向 Google AI 订阅用户推送新的 Gemini 语音能力，用户可以通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务，以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用，并附上了演示视频和了解更多信息的链接。
匹配字段标题、摘要
LiveKit 发布 Connectors，让语音智能体接入 Twilio 与 WhatsApp 通话
LiveKit 发布 Connectors，在 LiveKit 房间与 Twilio Programmable Voice、WhatsApp Business Calling 之间建立直连，通话以普通参与者身份进入房间，无需配置 SIP trunk 或网关。Twilio 通话会带上 call SID 和自定义 TwiML 参数作为参与者属性，WhatsApp 来电以手机号作为参与者身份；连接器通话与 SIP、网页会话一样出现在 LiveKit Cloud 仪表盘中。Connectors 已在 LiveKit Cloud 正式可用，连接器分钟计费与 SIP 相同，Ship 为每分钟 $0.004、Scale 为 $0.003，各套餐分别包含 5、20、100 路并发连接器通话。
匹配字段标题
Pydantic AI 上线实时语音智能体
Pydantic AI 发布实时语音智能体支持，采用 speech-to-speech 方式，通过统一的 provider-agnostic API 接入 OpenAI Realtime、Azure OpenAI、Gemini Live 和 xAI Grok Voice，中间不再有转写、生成、合成的流水线。语音会话复用同一个 Agent 对象，服务端工具、消息历史和 API key 都留在后端，浏览器场景可用 WebRTC 直连并在服务端以 sideband 接入，目前浏览器 WebRTC 支持 OpenAI 和 Azure OpenAI。语音与文本共享同一份消息历史，可把通话交给文本 Agent 做结构化抽取，也可用 message_history= 为语音会话续接此前的文本对话；会话的 token 用量、usage_limits 和 OpenTelemetry 追踪与文本运行一致。
匹配字段标题、摘要
LiveKit Agents 推出 expressive mode，让语音智能体按情境调整语气
LiveKit 在 LiveKit Agents 中发布 expressive mode，开启后框架会向 LLM 提示词注入供应商专属指令，让模型在回复中内联生成表情标记，再由框架降级为当前 TTS 供应商能识别的方言，从而表达情绪、语气、非语言声音和停顿。该功能只需在 AgentSession 上设置一个参数，兼容任意 LLM，TTS 侧目前支持 Fish Audio（fishaudio/s2.1-pro）、Inworld（inworld/inworld-tts-2）、Cartesia（cartesia/sonic-3）和 SpaceXAI（xai/tts-1），未声明标记方言的供应商会正常合成且该开关不生效。框架还会把标记从用户可见转写中剥离，并将该段落的语气标签以 lk.expression 属性发布在 lk.transcription 文本流上，供前端可视化使用。
匹配字段标题
Hugging Face 与 Cerebras 将 Gemma 4 用于实时语音 AI
Hugging Face 与 Cerebras 搭建了开放、模块化的实时语音到语音管线，以 Nvidia Parakeet 识别语音、在 Cerebras 上运行 Google DeepMind Gemma 4 31B，并通过阿里巴巴 Qwen3TTS 生成语音回复。Cerebras 旨在缩短并稳定模型推理延迟；该管线已用于超过 9,000 台 Reachy Mini 机器人，开发者可体验 Demo 并查看 huggingface/speech-to-speech 仓库。
匹配字段标题、摘要
xAI 发布 Grok Voice 语音智能体构建器 Voice Agent Builder 测试版
xAI 发布 Voice Agent Builder 测试版，这是一个基于 Grok Voice 的无代码平台，用于配置生产级语音智能体，内置电话、知识检索、工具、护栏、MCP 和可观测性。用户用自然语言描述通话流程并挂载文档、工具和护栏，约两分钟即可搭建一个可用智能体，支持 SIP 接入现有号码或通过 WebSocket 连接自有客户端。计费按 API 费率每分钟音频 $0.08，语音包含在内且无平台费，免费号码的电话费另计每分钟 $0.01。
匹配字段标题、摘要
Together AI Voice Finder 可搜索 10 个 TTS 模型的 600+ 种语音
Together AI 推出 Voice Finder，开发者可通过自然语言描述或上传音频样本，搜索并比较 10 个 TTS 模型中的 600+ 种语音。系统使用 omni-model 为每种语音生成涵盖音高、口音、语言、情绪等 15+ 个维度的元数据，支持排序推荐、试听和筛选；其语音智能体平台端到端延迟低于 500ms。
匹配字段标题、摘要
xAI 推出 Custom Voices，可克隆声音并接入 Grok 语音 API
xAI 推出 Custom Voices，用户录制约一分钟自然语音即可克隆自己的声音，并在两分钟内生成可用于生产的语音模型。该功能接入 Grok Text to Speech 和 Voice Agent API，支持语音标签、多语言输出以及 REST 和 WebSocket 流式传输，使用自定义声音不额外收费。创建前需通过两阶段验证，先朗读验证短语由 STT 引擎实时比对，再比对说话人嵌入向量确认同一人，因此无法用已有录音或他人声音进行克隆。
匹配字段标题、摘要
xAI 发布 Grok 语音转文字与文字转语音 API
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。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 $0.10 每小时、流式 $0.20 每小时；TTS 支持 [laugh]、[sigh]、[whisper] 等语音标签控制语气与情感，定价 $15.00 每 100 万字符。
匹配字段标题、摘要
Cartesia 发布语音智能体开发平台 Line
Cartesia 发布语音智能体开发平台 Line，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智能体。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、摘要
Mistral AI 为 Le Chat 加入深度研究、语音和多语言推理功能
Mistral AI 为 Le Chat 新增 Deep Research（预览）、Voxtral 驱动的语音模式、Magistral 驱动的多语言推理、Projects 及与 Black Forest Labs 合作的高级图像编辑。用户可在 chat.mistral.ai 或移动应用中免费试用，无需信用卡。
匹配字段标题、摘要
Cartesia 推出专业语音克隆 PVC
Cartesia 推出专业语音克隆（PVC），基于 Sonic 模型微调，可复刻音色、节奏、风格和环境。PVC 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、摘要
极米记得开售 AI 记忆眼镜 G1 与记忆手环 L1，599 元起
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，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。
匹配字段摘要、正文
Neuralink 将 Grok 接入大脑，渐冻症患者用意念操控 AI 并拨通电话
Neuralink 公布最新进展，渐冻症患者 Kenneth 在脑中默念「Hey Neuralink」并说出任务，即可唤醒电脑上的 Grok Agent 自主执行操作。团队在受试者家中进行 72 小时开发，产出 8 项技术原型，包括无需手动开关的神经语音活动检测、系统级脑机输入法 BCI Keyboard Dictation 和手机应用 Bloom。Kenneth 还通过脑机解码的语音接入 iPhone 通话音频流，时隔七年用意念给妻子拨通电话。
匹配字段摘要、正文