Eleven v4 Turbo 在语音竞技场多语言登顶
在 Controlled Voice Arena 中，所有模型都使用相同的克隆声音进行对比，Eleven v4 Turbo 在阿拉伯语（1,356）、德语（1,428）、印地语（1,291）和英语（英国）中排名第 1，在西班牙语、日语、葡萄牙语、普通话和英语（美国）中排名第 2。 在 9 个非英语语言排行榜中，Eleven v4 Turbo 在阿拉伯语、德语和印地语上领先于 Eleven v4。
匹配字段标题
←搜索结果
搜索“语音”
Artificial Analysis 语音 TTS 排行榜公布顶尖模型
查看 Artificial Analysis Provider Voice TTS 排行榜上的顶尖模型：https://t.co/FIBZnhfIuZ 在 Speech Arena 中为模型投票：https://t.co/RQI6TUfni7 在 Speech Explorer 中探索示例片段：https://t.co/jf5GJ541oT
匹配字段标题
Retell vs. Vapi vs. LiveKit：面向开发者的语音 AI 智能体对比
LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：是否需要在发布后持续迭代、需求超出默认配置时如何改动、是否要支持电话之外的 Web、移动、视频、设备或 WhatsApp，以及规模化成本。Retell 靠滑块和字段配置，Vapi 靠 PATCH assistant 与 schema，LiveKit 则把开源 Agent 框架放进开发者自己的代码仓库。按公开定价估算，LiveKit 全包成本约从 Gemma 4 31B、AssemblyAI Universal-Streaming 与 Fish Audio S2.1 Pro 组合起，到 GPT-5.5、AssemblyAI Universal-3.6 Pro Streaming 与 Cartesia Sonic 3.5 的高配方案。
匹配字段标题
用户分享 Dot 后台语音协作体验
dominik kundel 表示自己已多次这样使用：Dot 在后台持续语音运行，双方在需要对方输入时再沟通，他认为这是一种很棒的交互方式。他是在回应 Phil Hedayatnia 关于 Dot 上线后让 Dot 在后台处理任务、需要建议时通过语音联系自己的分享。
匹配字段标题
Suno 推出 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增 Speech 功能，可将口播文本与匹配的背景音乐合成为一条音轨，用户输入想法或文字并描述想要的音色与音乐风格即可生成。Suno 产品负责人 Jack Brody 表示该功能已在小范围测试一个月，可用于诗歌、冥想和睡前故事，但 beta 版仍有 bug，例如英式口音有时会听起来像澳式口音。
匹配字段标题
微软发布 MAI-Transcribe-2-Streaming 流式语音转文字模型，登顶 Artificial Analysis 榜单
微软 AI 发布首款流式语音转文字模型 MAI-Transcribe-2-Streaming，支持 60 种语言并自动连续检测语种，在收到音频后 100 毫秒出头即输出首个部分转写结果。Artificial Analysis 的 AA-WER Streaming 测试显示，其最终转写与首个部分转写均为 2.5% WER，在 38 个模型中均排第一，最终结果延迟 0.13 秒。该模型定价为每小时音频 0.54 美元（2026 年底前的尝鲜价），可通过 Realtime API 或 Azure Speech SDK 接入，目前为公开预览，无 SLA 且未开放权重。
匹配字段标题
Suno 推出语音生成功能，可同时生成人声与背景音乐
AI 音乐生成平台 Suno 上线语音生成功能，目前以公开测试形式在网页端和移动端开放，可同时生成配音与背景音乐并合成为一条音轨。该功能提供 Simple 和 Advanced 两种模式，前者通过提示词描述场景，后者支持自定义脚本并调整 AI 声音性别、语音风格和生成多样性，最长时长约 8 分钟。Suno 首席产品官 Jack Brody 表示测试版仍不完善，将根据用户反馈持续改进。
匹配字段标题
用户称通勤时用 dot 语音模式排练演讲
dominik kundel 表示，多亏了 dot，他在通勤途中完成了大量工作，包括排练演讲；而常规语音模式一直不太适合他。被引用的 Alexander Embiricos 则提到自己也喜欢通勤时用 dot 语音通话，并称用户对通话 UI 的反馈褒贬不一。
匹配字段标题
Alexander Embiricos 回应 dot 语音通话体验
Robleh 分享通勤堵车时用 dot（dottie）语音配合 Google Doc 完成主要任务，称语音连接应用后体验极佳，并喜欢其仿电话通话 UI。Alexander Embiricos 回应称自己也很喜欢通勤时用 dot 语音通话，并提到通话 UI 收到的反馈褒贬不一。
匹配字段标题
Suno 回应语音与配乐同步生成难点
Suno 转发了一条讨论：语音与背景音乐一次性生成看似简单，难点在于两者保持时间上的一致，两个生成器争夺同一时间线通常会互相干扰；如果音乐能围绕人声真正地压低、渐强和点缀，而不是事后贴上去，对实时音频是实质性进步。Suno 回应称“谢谢，我们非常努力”。
匹配字段标题
Suno 推出 Speech 语音生成 Beta
立即体验 Speech。现处于 Beta 阶段，仅在 Suno 上线。 （而且 beta 真的是 beta。有时英国口音听起来更像澳大利亚口音，或者戏剧性停顿会非常非常戏剧化。这会随时间改进。）
匹配字段标题
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
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
微软发布 MAI-Transcribe-2-Streaming 流式转写模型及两款语音模型
微软发布首款流式转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动连续语言检测，在 Artificial Analysis 的最终与部分转写准确率上均排名第一，收到音频后 100ms 出头即可给出首个部分结果，年内按每小时音频 0.54 美元计价。同时发布多语言文本转语音模型 MAI-Voice-2.1，支持 23 种语言和 26 个地区，单一音色可用各语言的原生口音，定价每 100 万字符 22 美元；以及面向高并发低延迟场景的 MAI-Voice-2.1-Flash，端到端延迟 150ms、可生成 45 秒音频，推理速度提升 55%，定价每 100 万字符 15 美元。三款模型可通过 Microsoft Foundry 等渠道使用，MAI-Voice-2.1 系列已上线 OpenRouter。
匹配字段标题
AI 语音初创公司 ElevenLabs 估值翻倍至 220 亿美元
AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权，较其 2 月融资时的 110 亿美元估值翻倍。此次 3 亿美元要约收购由 Wellington 和 T. Rowe Price 联合领投，是该公司第二次为员工安排股权转让，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。ElevenLabs 成立于 2022 年，以生成高度逼真的人声和音效著称，总部位于纽约和伦敦。
匹配字段标题
Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与语音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，默认按 Seed TTS Eval 英文集与 CV3 Eval（zero shot）的宏平均 WER 排名，hexgrad/Kokoro-82M、Supertone/supertonic-3 和 fishaudio/s2-pro 领先。榜单支持多语言切换（中日韩用 CER）、语音克隆对比与 SIM 说话人相似度列，并新增 Streaming 标签页按 TTFA 排名，kyutai/pocket-tts 在 GPU 和 CPU 上表现突出。
匹配字段标题
Gemini Notebook 实时语音聊天向所有 Pro 用户开放
实时语音聊天现已 100% 向移动端所有 Pro 用户开放！ 你试过了吗？欢迎告诉我们你的想法！☺️
匹配字段标题
Vapi 推出 Vapi for CX：让企业掌控语音智能体全生命周期
Vapi 发布 Vapi for CX，一套面向 CX、运营、产品和工程团队的语音智能体工具包，主打对智能体全生命周期的完全控制。Vapi Composer 支持用自然语言构建语音智能体，产出的配置对象与 API、CLI 和 MCP server 中的一致，底层设置仍可编辑；电话、轮次切换、打断处理、并发与合规由 Vapi 托管。
匹配字段标题
在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（上）
AWS 发布教程，演示如何用 vLLM-Omni Deep Learning Container 在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出，并配套 Gradio 应用。该 DLC 基于 vLLM-Omni v1.5，新增 SageMaker AI 所需的双向流式能力标签与路由中间件，示例使用 v1/audio/speech/stream 原生 WebSocket 路由。
匹配字段标题
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