Overtone 发布多画幅字幕转写、校正与重排工具
Overtone 发布一套字幕处理工具，把每个词及其时间、说话人只存一次，并为 16:9、9:16 或指定比例分别生成字幕切分。
推荐理由：Overtone 把逐词存储、说话人标注和按画幅重排整合成统一流程，为多端字幕生产提供了一套可复用方法。
技术方向
语音与音频 最新动态
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
101 条精选近 30 天 84 条共收录 121 条
更新
语音与音频的精选
Hacker News精选AI 评分7070 TechCrunch精选AI 评分5555 Rivian 将部分 AI 语音助手技术授权给 Volkswagen Group，扩展 $5.8 billion 合资项目
Rivian 正通过与 Volkswagen Group 的 $5.8 billion 合资项目，向后者授权部分自研 AI 语音助手技术。授权费用、付款条款及具体适用车型均未披露，该助手可能在低价电动车 ID EVERY1 上进入 Volkswagen 车型。
推荐理由：授权费用和适用车型尚未披露，ID EVERY1 的可能首发为观察双方汽车软件合作扩展边界提供了具体切口。
TechCrunch · AI精选AI 评分6666 Granola 推出 Mac 语音听写功能，支持在所有应用中输入文字
Granola 推出 Mac 版语音听写功能，用户按下 Fn 键开始说话，工具会清理并排版语音，再将最终文字发布到当前应用。该功能覆盖所有应用，可用于记笔记、口述提示词和回复邮件与消息，不限字数且免费。Granola 表示功能将很快登陆 iOS 和 Windows；Wispr 则已从语音听写延伸至会议纪要。
推荐理由：Granola 从会议纪要扩展到语音听写，文章还对照 Wispr 从听写延伸至会议纪要的路径，呈现同类语音应用的功能趋同。
Hugging Face Blog精选AI 评分4141 IBM Granite Switch 4.1.1 补丁版发布，可按软件迭代方式更新模型
IBM Granite Switch 4.1.1 补丁版发布，完全向后兼容 4.1，升级无需迁移且不改动基础模型。更新后的 Granite Speech ASR 模型支持 10 种语言的语音转文字，并原生处理标点和大小写；Decision adapter 在 Jev Decision Index 测试集上的整体性能得到改进。
推荐理由：补丁版无需迁移即可兼容 4.1，并更新 ASR 与 Decision adapter，呈现基础模型不重训的模块化迭代方式。
TechCrunch精选AI 评分7070 Deepgram 收购 Pipecat 开发商 Daily，强化实时语音 AI 基础设施
Deepgram 宣布收购 Pipecat 的开发与维护方 Daily，交易金额未披露，双方表示 Pipecat 将继续保持开源。Pipecat 可管理语音和视频流，并编排 STT、大语言模型和 TTS 组件以降低延迟。
推荐理由：Deepgram 通过收购 Daily 获得 Pipecat，并推出面向语音智能体的开放协议，团队可据此评估多模型接入与实时语音编排路径。
Hugging Face Blog精选AI 评分7171 AnySpeechRecognizer 与 AnyDecisionModel 发布，支持 Apple 平台接入开放模型
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，为 Apple 平台接入开放模型完成语音识别和结构化决策。
推荐理由：文章用词错误率、转写速度和内存占用数据对比语音引擎，并补充会议重叠语音的表现，便于评估端侧识别方案的成本与精度。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
NVIDIA Blog精选AI 评分7474 NVIDIA RTX Spark Windows 笔记本开售，新增本地模型、智能体工具和游戏支持
NVIDIA RTX Spark Windows 笔记本现已由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 开售，起售价 $2,599，并新增或计划引入本地模型、智能体工具与游戏支持。
推荐理由：原文将模型能力、GPU 资源分配与本地部署条件并列呈现，读者可据此判断 RTX Spark 对轻量本地 AI 工作流的适配范围。
TechCrunch精选AI 评分7575 Nvidia 发布 Nemotron 3.5 Transcribe 开放权重语音转录模型
Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。
推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。
TechCrunch精选AI 评分6868 Amazon 发布 Alexa Photo Frame、Echo Time 等五款 Alexa 设备
Amazon 发布五款 Alexa 设备，包括 10 英寸智能相框 Alexa Photo Frame 和智能闹钟 Echo Time，并更新 Echo Show、Echo Dot 与 Echo Studio 产品线。
推荐理由：Echo Time 专为卧室设计，Echo Dot 强化本地处理与智能家居连接，带摄像头的 Echo Studio 则扩展了 Alexa+ 的视觉理解能力。
钛媒体精选AI 评分6161 豆包手机应先聚焦老年群体
豆包手机可以先面向老年人开发价格更亲民、操作更简单的AI手机，而不是只盯着5999元起的高端市场。努比亚小牛已以999～1099元价格、适老模式和AI语音服务老年用户，豆包50岁以上用户月活2026年1月达到607万；但豆包手机助手拒操作155款应用，微信、淘宝、美团等高频应用均在列。作者建议，豆包可先整合地图导航、医院挂号、天气和菜谱等刚需，并探索减少老年机长期面临的广告干扰。
推荐理由：文章将豆包手机的高价、155款应用拒操作清单与老年需求相对照，呈现AI手机切入细分市场时的能力与成本取舍。
OpenAI News精选AI 评分6161 Retell 使用 OpenAI 模型支持每月 100M 次通话
Retell 使用 OpenAI 模型支持每月 100M 次通话，GPT-6 Astra 位居其语音智能体基准榜首。Codex 则帮助其达到每名员工 $1.6M 的年化营收。
推荐理由：材料给出调用规模、智能体基准和人均营收三项案例数据，便于观察 OpenAI 模型在语音智能体业务中的使用结果。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Genie 4 多模态世界模型
Google DeepMind 发布 Genie 4 世界模型，可实时生成视觉、动态交互与原生音频，并通过 Gemini 理解提示、维持场景连贯性。Gemini 3.8 Flash 作为引导智能体分解目标、检查画面并动态调整计划，支持多步骤事件与因果行为模拟。
推荐理由：官方披露了 Genie 4 的实时交互、原生音频与 Gemini 引导机制，并明确列出预览范围和当前局限，便于评估其可用边界。
TechCrunch精选AI 评分7171 Apple 推出 iOS 27.2，扩展 Siri AI 语言并加入 160 多项安全修复
Apple 面向 iPhone 和 iPad 推出 iOS 27.2，扩展 Siri AI 的语言支持与记忆功能，并加入 160 多项安全修复。Siri AI 以 beta 形式新增法语、日语、韩语、葡萄牙语和西班牙语支持，可记住过往对话细节，并利用信息 App 附件中的照片、日历、语音信箱、Safari 历史记录和阅读列表作答，用户还能排除指定 App 的记忆来源。
推荐理由：更新同时扩展 Siri AI 的语言与记忆能力，并纳入 160 多项安全修复，便于用户评估功能变化与系统风险。
钛媒体精选AI 评分6666 科大讯飞发布讯飞星火X2.6，采用全国产算力训练端云一体架构
科大讯飞发布讯飞星火X2.6，采用全国产算力训练，由一个云端大模型搭配4B端侧模型，并按任务难度和数据敏感度决定本地执行、两端协同或云端处理。长程任务动态并行训练使超长上下文训练效率提升约4倍，自适应存算协同结合四层KVCache和分布式推理，使推理效率提升4.5倍。4B端侧模型将复杂智能体任务完成率推至41.9%，端云路由准确率为96.1%，敏感资料可在本地关联或脱敏后再上传。
推荐理由：端云路由、长程任务动态并行训练与存算协同给出了明确指标，呈现了国产算力受限下兼顾效率和数据本地化的实现路径。
36氪精选AI 评分4343 千问办公接入乐奇 Rokid AI 眼镜，支持语音下发任务
千问办公正式接入乐奇 Rokid AI 眼镜。用户可在 RokidAI App 的智能体商店添加“千问办公”并绑定账号，随后通过语音唤起千问办公、下发任务，并在眼镜端查看结果。
推荐理由：材料给出了添加智能体、绑定账号、语音唤起和查看结果的完整链路，可用于理解眼镜端办公助手的实际使用方式。
Hacker News精选AI 评分3939 Partyline：基于 Reticulum 和 LXST 的群体语音应用
Partyline 是一款基于 Reticulum、使用 LXST 构建的群体语音应用，支持加密实时多人语音、房间权限控制、拨号接入以及 GUI 和终端客户端。
推荐理由：项目提供可直接运行的服务器、GUI 和终端客户端，以及多套房间权限、编码和 PTT 配置，便于评估不同网络条件下的部署方案。
量子位精选AI 评分4747 联想天禧AI在观猹大会展示跨端协同，预告4.5版本升级
联想天禧AI在观猹大会展示个人AI跨端协同，4.5版本定于10月30日升级。现场演示中，用户可通过天禧AI手机语音搜集Personal Agent产品并自动生成研究报告，也能关闭系统弹窗、调高屏幕亮度。4.5版本将进一步强化记忆管理与数据隔离，现有版本则基于Harness架构，支持联网搜索、生图修图、本地文件控制、文档生成及外部MCP Server接入。
推荐理由：现场演示具体呈现了手机语音触发研究报告与设备控制的跨端流程，也补充了天禧AI 4.5版本的记忆与数据隔离方向。
量子位精选AI 评分4747 OpenAI 与 Gemini 共同选择的实时语音交互，为什么是声网？
声网在 iRTE2026 展示了生成式 AI 的实时交互基础设施，覆盖模型协作、全双工语音、实时网络、音频处理、工具调用与推理。Agora Conversational Model 组合声音感知、推理、工具、记忆与语音表达，Conversational Agent System 将其与全球实时网络、音频处理及推理基础设施结合。
推荐理由：文章沿着模型、网络、音频和终端梳理实时语音交互链路，便于理解声网多模型协作方案与配套工具如何落地。
Hacker News精选AI 评分4141 Armin Catovic：全天候 AI 智能体正接近《Agency》中的 Eunice
Armin Catovic 以 William Gibson 小说 Agency 中的 AI 助手 Eunice 为参照，认为能一边全双工交谈、一边自主追求目标并在后台行动的全天候 AI 智能体即将到来。
推荐理由：文章将《Agency》中的 Eunice 与全双工、全天候智能体并置，为理解自然对话与后台自主执行的融合提供清晰参照。