Meta Connect 2026：智能眼镜无处不在
Meta Connect 2026 上智能眼镜几乎无处不在，Meta 正全力押注这一产品线。记者体验了尚未发布的纯音频智能眼镜：配备六个麦克风、无摄像头，可听音乐、接电话，并接入 Meta 个人智能体系统 Muse 实现语音指令操作。另一款面向听障人士的眼镜研发约五年，售价 150 美元，远低于最高可达 1600 美元的助听器。
匹配字段摘要
←搜索结果
搜索“语音”
Meta 为 Muse 新功能开放早期访问申请
Meta 在 Connect 2026 开发者大会公布 Muse AI 应用的多项新功能后，于周五开放早期访问申请，用户可让 Muse 代为提交申请。新功能包括可与 Muse 数字虚拟形象视频通话、更多购物合作与连接器、扩展 Muse Mac 应用使其能使用电脑完成任务，以及将 Muse 引入 Meta AI 眼镜，支持唤醒词语音交互。
匹配字段摘要
Meta Connect 2026：Muse 个人智能体、眼镜硬件与 Muse Realtime Avatar
Meta 在 Connect 2026 上把个人智能体 Muse 作为硬件加智能体战略的核心，发布了 Muse 的语音与实时视频能力、Mac 端 computer use、Muse Mail 邮箱地址，以及 Ray-Ban Meta Gen 3、售价 1299 美元的 Meta VR Glasses 和 12 月发货的钥匙扣设备 Muse Charm。Muse 对用户免费，Meta 未来可能从交易中抽成，已接入 Walmart、Best Buy、Gap、Sephora、Instacart 等零售伙伴以及 Box、GitHub、Granola、Notion 等生产力工具，连接器平台有 1500+ 应用。Meta 同时研究性发布 Muse Realtime Avatar，称其响应低于一秒、支持无上限会话时长并对输出加水印，但未发布新的前沿模型，Alexandr Wang 仅预告“最强大的模型”即将推出。
匹配字段摘要
腾讯混元发布 Hy Translation 翻译产品，由 Hy-MT2 驱动
腾讯混元发布翻译产品 Tencent Hy Translation，由 Hy-MT2 模型驱动，支持 33 种语言和 5 种中国少数民族语言及方言，提供语音与拍照翻译。该产品完全离线运行于端侧，无需网络，已在 12 个国家和地区上线。
匹配字段摘要
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar 统一流式架构
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段摘要
我们如何听懂别人说话：播客剪辑背后的认知心理学
少数派作者结合自己做播客的剪辑困惑，从认知心理学和神经科学角度解释人耳与大脑如何处理语音。文章指出声学信号在物理层面是连续、彼此渗透且千差万别的，大脑依靠类别知觉、语音分割、统计学习和语境预测把声音加工成离散的词语，并会整合视觉信息（如麦格克效应）。作者据此说明剪辑点为何难找，建议保留发音冗余、不要切得太精细。
匹配字段摘要、正文
OpenClaw 会议实时记笔记并保存转录
7/8 📝 在 Google Meet、Teams、Zoom 或语音采集仍在进行时跟随笔记，然后在独立标签页中打开保存的转录。转录可能有延迟，生成的笔记使用你配置的模型并按其常规收费。
匹配字段摘要
Vapi 答疑：Model Intelligence、Simulations 与 Campaigns 三大新功能
Vapi 三位产品工程师在 9 月 22 日的网络研讨会上演示了今年发布的三项新功能：Model Intelligence 提供按成本、速度或智能调优的模型预设，并为每个模型标注成本、延迟和质量指标；Simulations 用可自定义的 AI 测试者与语音智能体完整对话并返回通过/失败结果、转录和录音；Campaigns 支持最多 10,000 个联系人的外呼名单。团队还集中回答了关于转录准确率、LLM 评判可靠性和并发限制的提问。
匹配字段摘要
ElevenLabs CEO 谈毛利率、IPO 时机与告知客户正在与机器人对话
ElevenLabs 联合创始人兼 CEO Mati Staniszewski 在采访中透露，公司 ARR 达 6 亿美元，55% 以上来自企业客户，投资方对其估值据报道达 220 亿美元。他表示不介意毛利率被进一步压缩以换取市场份额，并认为当下企业应披露对话方是 AI 智能体。Klarna、Deutsche Telekom、Cisco、Adobe 及多国政府均在使用其语音模型。
匹配字段摘要
Google 测试让 Gemini 代打电话的 Call for Me 功能
Google 开始测试名为 Call for Me 的新功能，让 Gemini 代替用户给商家打电话。该功能首批面向美国付费订阅 Gemini 的 Pixel 11 用户，并需使用 Google Phone 应用的 beta 版本。Gemini 可在通话中分享用户批准的个人信息，处理查询库存、餐厅订位、改约、预留商品等任务，能自我介绍、应对自动语音菜单、等待接通并完成对话，用户可实时查看通话转写并随时接管，通话直接使用用户本人的手机号码拨出。
匹配字段摘要
Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 <laughs>、|mhm| 等自然提示，连续生成数小时无故障音频。Flash TTS 面向游戏、有声书和播客等高保真创意制作，Flash-Lite TTS 面向近实时语音智能体、批量配音和规模化音频生产。
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 、|mhm| 等自然提示，连续生成数小时无故障音频。Flash TTS 面向游戏、有声书和播客等高保真创意制作，Flash-Lite TTS 面向近实时语音智能体、批量配音和规模化音频生产。
匹配字段摘要
Meta 为 Ray-Ban Display 新增免手导航与全息通话功能，并扩展至五国市场
Meta 在 Connect 2026 上公布 Meta Ray-Ban Display 的多项更新，包括语音免手导航、通话用个性化全息形象、眼镜端 Explore 应用，以及日历、通知镜像和 Threads 社区信息流等功能。导航新增骑行与实时公交方向，本月晚些时候在美国和加拿大上线；全息通话今年秋季晚些时候在美国以 WhatsApp 早期体验形式推出。产品同时扩展至英国、加拿大、法国、意大利和德国，加拿大与英国今日开售，法国、意大利和德国今日起陆续开启预订，10 月 13 日正式发售。
匹配字段摘要
Meta 发布 Meta VR Glasses，约 100 克、2027 年春季 1299.99 美元开售
Meta 发布 Meta VR Glasses，整机约 100 克，比 Meta Quest 3 轻五倍，采用眼镜加外接 puck 的两段式设计，puck 负责算力、电池与存储。设备搭载 5K Infinite Display 与 micro-OLED 面板、37 PPD，支持 Dolby Vision 和 Dolby Atmos，由高通 Snapdragon Reality Elite 处理器驱动，puck 电池可支持约三小时高分辨率媒体播放和 45W 快充。Meta AI 智能体已集成进操作系统，可通过语音、眼动和手势操作，无需手柄；产品将于 2027 年春季开售，售价 1299.99 美元。
匹配字段摘要
Qwen 发布 Qwen-Audio-3.1 音频模型系列，含 ASR-Next 与 TTS-Next 两款新模型
Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两款模型，共五款模型覆盖音频理解、生成、交互与创作。ASR-Next 支持带说话人标签、时间戳的多说话人识别，还能理解情绪、环境音与机器声，用于声音描述、事件定位和音频问答；TTS-Next 采用 LM 加扩散模型统一框架，一次生成语音、音效与背景音，面向有声书、播客、游戏和广告。官方同时公布全线降价，TTS 约降 70%、Realtime 约降 85%、ASR 最高降 95%，更多 API 即将上线。
匹配字段摘要
Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持从零生成自定义角色声音并逐句控制口音与情绪，已接入 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids。Gemini 3.8 Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分位列第一，口音建模得分 60.8，两款模型分列 Hume AI Overall Quality Index 第一和第二，支持超过 100 种语言。声音复刻需提供声音所有者的口头同意录音，所有生成音频均嵌入 SynthID 水印。
匹配字段摘要
用 Jev 能构建什么：Ben's Bites 盘点
Jev 现已向所有人开放，它不同于常规 LLM，面向构建者、设计为在工具内部使用，可回答“这是广告吗”“该归入哪个文件夹”“相关度多少”这类问题。人们已用它做 YouTube 赞助片段跳过、实时过滤负面评论、按意图搜索 Gmail、语音控制 Mac 等。作者也提醒，把 Jev 接入编码智能体做即时压缩并不划算，会损失 prompt caching 的成本节省。
匹配字段摘要
Tripo P2.0 与 Jev 打造 3D 游戏工作流
Jev x Tripo x Astra 实战演示。 展示了使用 Tripo P2.0 生成 3D 资产和 VRM 模型，并结合 Jev 驱动语音激活战斗与逻辑的流畅工作流。 可玩 demo 链接见下方推文。 ↓
Jev x Tripo x Astra 实战演示。 展示了使用 Tripo P2.0 生成 3D 资产和 VRM 模型，并结合 Jev 驱动语音激活战斗与逻辑的流畅工作流。 可玩 demo 链接见下方推文。 ↓
匹配字段摘要
Qwen 发布实时同传模型 Qwen3.8-LiveTranslate
Qwen 发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降到 2.3s，并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离，可在多方语音中区分说话人并通过更稳定的声音克隆保留各自音色；双语同步显示，原文与译文同屏呈现；长上下文消歧，利用对话历史澄清人名和术语以保证译文一致。模型已在 QwenCloud 上线，官方同时给出博客和案例链接。
匹配字段摘要
Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型
Qwen 发布下一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度与简洁度。新增能力包括实时说话人分离，可在多方语音中区分说话人并通过更稳定的声音克隆保留各自音色；双语同步显示，原文与译文同屏呈现；长上下文消歧，利用对话历史澄清人名和术语以保证翻译一致。官方同时给出博客与 QwenCloud 试用入口。
匹配字段摘要
xAI 发布 Grok Voice Transcribe 2.0，称准确率提升一倍
xAI 发布 Grok Voice Transcribe 2.0，称其在客服通话、口述凭证和短语音指令三类场景中的准确率是上一代的两倍。官方未披露具体评测数据或可用入口。
匹配字段摘要