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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Sierra 发布 𝜏-i18n，将 𝜏-Voice 扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种语言，沿用相同的航空、零售和电信任务、策略、工具与成功标准，以便跨语言比较。在 2,700 通主通话中，西班牙语、印地语、葡萄牙语的任务完成率平均落后英语 2.4、3.8、6.4 个百分点，韩语和普通话分别落后 22.6 和 9.1 个百分点，韩语是三个智能体中表现最弱的语言。除任务完成外，𝜏-i18n 还单独报告交互指标（响应时机、选择性、工具调用效率）和生成质量（自然度、语音保真度），并已开源代码库和语言包框架 LanguageFactory。
匹配字段标题
ElevenLabs 发布教程，介绍如何用 Python 和 TypeScript 将文本转语音 API 集成到应用：创建 API key、安装 ElevenLabs SDK、向 TTS 端点发送文本并指定音色与模型，再播放返回音频。示例使用 eleven_v4 模型，也可选低延迟的 Eleven Flash v2.5；Voice Library 提供超过 17,500 种音色，默认输出 mp3，也可切换 ulaw 或 pcm。
匹配字段标题
Acuity Health 基于 LiveKit 构建定制语音智能体，80% 的来电由 AI 智能体完整处理，多数预约在 1 分钟内完成，81% 的预约通话以“谢谢”结束。其智能体通常运行在 LiveKit Inference 上优化的 Gemma 3 27B 模型，并配合针对不同患者群体调优的轮次检测模型，支持语音与文本，并接入呼叫中心工具、任务管理软件、分析服务商和 EMR 系统。团队此前受限于低代码平台，改用 LiveKit 后一周内做出可用原型、一个月内进入开发环境，并借助 LiveKit Simulations 在每次变更上线前做场景压测。
匹配字段标题
IBM 在 Hugging Face 发布 granite-speech-5.0-2b、granite-speech-5.0-470m-turboctc 和更新版 granite-speech-4.1-2b-plus 三款语音模型，均以 Apache 2.0 许可开源。granite-speech-5.0-2b 支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并可在这些语言与英语之间互译，另支持英语译成意大利语和中文，训练数据含 39 万小时公开音频；Turbo CTC 版本扩展到七种语言并原生输出标点与大小写，在 Open ASR Leaderboard 上达到 19,870 RTFx，约为发布时的 1.6 倍；4.1-2b-plus 侧重多说话人长音频，说话人分离 WDER 与 cpWER 均下降 7%，长语音 WER 下降 24%。
匹配字段标题
Ethan Mollick 认为，AI 应用中的语音界面也许终于能终结开放式办公室这一“怪物”，也可能只是让它变得更糟。他引用自己的研究指出，多项实验显示开放式办公室的背景噪音会降低分析性工作的能力、增加软件 bug，并削弱发现 bug 的能力。
匹配字段标题