技术方向
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。
102 条精选近 30 天 85 条共收录 122 条
Square 发布 Square Kiosk 自助点单机，配备 21.5 英寸触摸屏并支持对话式语音 AI 点单；AI 能理解商家菜单并实时回应，可完成提问、修改和替换等操作。设备售价 $1,999，面向 Square Plus 或 Premium 订阅用户，另需每台每月 $99 软件费。
推荐理由：Square 将对话式语音 AI 落地到线下点单硬件，给出了硬件形态和订阅定价，可作为 AI Agent 进入零售场景的参考案例。
Fish Audio 发布开源语音生成模型 Drama 3 的技术报告，基于 35B 参数 MoE 主干（每 token 激活 3B），在单卡 H200 上以 271 fps 解码，速度高于参数量更少的前代 S2（177 fps）。
推荐理由：原报告给出 35B 参数 MoE 语音生成模型的架构与单卡推理速度对比，读者可据此评估多轮修改与长音频流式生成的实际表现。
Higgsfield 借助 GPT-6 Astra 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上，同时接入 GPT-Image-2.5 提升画面精度，并探索 GPT-Live 在语音电影制作方向的应用。
推荐理由：原文给出视频时长从 1 分钟延长到 10 分钟以上的具体幅度，并提及语音电影制作方向，读者可据此评估生成能力的边界。
Spotify 周二宣布，运行 iOS 27 的 iPhone 用户可让 Siri 直接播放音乐、播客或有声书，无需再带上 on Spotify 这一限定语，Siri 会根据用户偏好自动将请求路由到 Spotify。
推荐理由：原文说明了 Siri 通过学习用户偏好来自动路由音频请求的机制，以及该功能对设备和 Apple Intelligence 的开启要求，读者可据此判断其实际可用范围。
Apple 发布第四代 Apple TV 4K，搭载基于 Apple Intelligence 的 Siri AI 语音助手，支持全屏对话与远场麦克风免提交互。
推荐理由：原文给出了硬件售价、上市时间和 Siri AI 的能力与语言门槛，便于读者评估 Apple TV 4K 在客厅 AI 入口上的实际定位。
Apple 发布智能家居中枢 HomeView，售价 299 美元。设备配 7 英寸屏幕与前置 FaceTime 摄像头，可作为智能家居控制中心，支持 Siri 查看摄像头画面、调节恒温器、控制灯光和门锁，并播放音乐、视频和照片幻灯片。
推荐理由：文章把 HomeView 与 Amazon Echo Show、Google Nest Hub 并列对比，并点出 Apple 在智能家居领域此前的产品表现，可作为评估这款中枢竞争力的参照。
Apple 发布新版 HomePod mini，搭载 S10 芯片，售价 149 美元，比 2020 年首发的初版贵 50 美元。新机将集成 Siri AI 并支持多轮对话，但该能力需后续更新推送，Apple 未公布具体上线时间。
推荐理由：原文给出新版 HomePod mini 的芯片、价格和 Siri AI 集成等具体变化，读者可以据此了解这次升级的幅度和代价。
开发者基于 Google EmbeddingGemma 2 发布了一款端侧语音转写 Mac 应用 v1.6，在 Apple Silicon 上本地运行；base M3 MacBook Air 8GB 上达到约 288 倍实时，约 13 秒可转写 1 小时音频。
推荐理由：原文给出把 EmbeddingGemma 2 改造成语音转写工具的具体思路、训练规模和端侧实测速度，对关注端侧语音方案的读者有迁移参考价值。
模思智能近日完成超10亿元Pre-A轮融资，由华控基金联合领投，资金将用于全模态实时交互系统MOSS Live的研发与全球商业化落地。公司由复旦大学特聘教授邱锡鹏创办，CEO李世民介绍其目标是让AI理解物理环境中的持续信息流，从回答问题走向持续在场，未来进入眼镜、车、玩具、机器人等终端实现实时双工交互。
推荐理由：模思智能在超10亿元融资中押注情境智能与全模态实时交互，可帮助判断多模态语音赛道目前的资本关注点与技术路径。
Atticus 是基于 Claude Code 的 macOS 按住说话语音助手，直接复用用户的 Claude Pro 或 Max 订阅，无需额外 API key。常见指令跳过 AI 本地执行（打开应用约 0.08 秒），首次请求会记忆为免 AI 的快捷方式；删除、发送等危险操作会先弹确认。要求 macOS 26 及以上和 Claude Code，通过 curl 一行命令安装。
推荐理由：给出基于 Claude Code 的本地语音助手架构与免 API key 复用方案，可作为类似 macOS Agent 的实现参考。
据 Bloomberg 记者 Mark Gurman 报道，苹果将于本周二发布一款名为 HomeView 的智能家居中枢。该设备由 Siri 驱动并搭载 A18 芯片，分为台面式与壁挂式两个版本，可用于控制其他智能家居设备。
推荐理由：结合 HomeKit 与 HomePod 此前在智能家居市场反响有限的历史，为评估 HomeView 提供对照背景。
作者为 Linux 写空间音频程序时，针对一款商业效果器设计了一套测量逆向流程：通过 PipeWire 在朋友笔记本上播放含脉冲、正弦对数扫频、多频音和分频段噪声的测试文件并录制输出，再用正则化谱除法提取四通道 HRTF 类响应，最后加载进 Saq 复现出目标中的离头感。前期作者曾用 Gemini 作为思路讨论的辅助工具，但得到的描述无法落地，因此转向以测量驱动的方法。
推荐理由：作者给出针对黑盒音频效果的测量与重建流程，从激励信号设计到滤波器提取都列出步骤，方便迁移到其他效果器复现。
BetterWispr 是面向 macOS 14+ 的免费开源听写工具，长按 ⌥ Space 触发录音并使用本地模型转写。支持 Apple speech、Parakeet TDT v3、Whisper 等内置模型，并提供语气清理、分应用风格与会议纪要功能。模型在本地运行、无云端回退，无需账号，项目以 Apache 2.0 开源，更新通过 GitHub Releases 发布。
推荐理由：本地语音模型完成转写与清理，配合分应用风格与会议纪要功能，为 macOS 听写提供开源且无云端的替代方案
PolyAI CTO Shawn Wen 和 Otter CMO Alex Gay 在 HumanX 大会上表示，尽管全双工语音模型已陆续推出，语音 AI 仍未迎来自己的 ChatGPT 时刻。两人认为下一步需要让模型推理速度足够快、ASR 转写足够准确，对话才会显得自然并获得用户信任。PolyAI 与 Otter 均强调，企业通话和会议场景应向用户披露正在与 AI 交谈的透明度。
推荐理由：原文汇集 PolyAI 与 Otter 高管的判断，让读者了解语音 AI 在全双工之外，推理速度、ASR 准确率和透明度上仍待突破。
tiny-audio 是一个开源语音转文字系统，将冻结的预训练语音编码器通过小型可训练投影层接入预训练 LLM，整体训练成本约 25 美元，只需训练约 8000 万参数。
推荐理由：原文给出了冻结语音编码器加可训练投影层再加冻结 LLM 的解耦架构与完整训练流程，可作为低成本端到端语音转文字方案的参考实现。
10月7日至9日举行的WTTC第26届全球峰会上，亮亮视野AR+AI会议翻译系统以110余台AR眼镜为年度会员大会、MembersCircle及主会场提供实时多语言翻译，参会者可通过眼前字幕直接理解不同语言发言，无需传统同传耳机。该系统此前曾在2026北京文化论坛完成300台眼镜的组网应用。
推荐理由：亮亮视野AR+AI会议翻译系统完成110台级国际峰会部署，可与北京论坛300台规模对照看实际落地能力。
研究者提出 Dynamic Band Splitting（DBS）端到端框架，可在固定频带 token 预算下学习音频源分离中的频带切分位置，使频带边界随每个混合信号自适应调整。
推荐理由：给出 DBS 在 BSRNN、TIGER、BS-RoFormer、MelRoFormer 上的迁移效果与具体 SI-SDR 数字，可供做频带分离的研究者直接对照改进幅度。
Cactus Compute 发布 16.9 MB 端侧语音识别模型 Whistle，在 CPU 上无依赖运行，首 token 11 ms，支持英、德、法、西、意、荷、波七语。
推荐理由：16.9 MB 的端侧语音模型与 Needle 共用同一二进制可直接转写为工具调用，并给出与 Whisper、Moonshine 的逐项对比。
Google 发布实验性笔记应用 AI Edge Foresight，可在 macOS 上完全离线转录会议和音频文件。该应用基于本地 EmbeddingGemma 2 模型运行、免费使用，能将缩写要点扩展为完整笔记，并内置助手支持对转录内容提问。Google 表示用户的文件、会议音频与笔记都不会离开本机，目前仅针对搭载 Apple Silicon 的 Mac 优化。
推荐理由：在同类 AI 笔记应用普遍依赖云端的情况下，给出了一款完全本机运行的替代选择，读者可对比端侧体验的差异。
Natura 推出售价 99 美元的智能戒指 Interface，用户通过按压戒指即可向 AI 智能体下达指令，支持连接 Meta 的 Muse、Claude、ChatGPT、Grokbot 等多个 AI 智能体与 App。
推荐理由：这款戒指同时接入 Claude、ChatGPT、Grokbot 等多家 AI 智能体并兼顾健康追踪，可作为对比现有 AI 智能体硬件形态的参考。