AI 配音生成音频发布前的 12 项检查清单
作者提出一份 AI 配音音频发布验收协议，覆盖脚本一致性、关键名称与数字发音、片段边界、可重复渲染、交付格式、使用授权与披露等 12 类检查。文章强调以哈希绑定最终文件与审批脚本，附 manifest 字段设计和 Python 校验脚本，并声明未测试任何厂商、未生成音频，仅作发布清单供团队自行填充证据。
#语音
Google AI · DEV 作者专属AI 评分5656 Google AI · DEV 作者专属AI 评分5858 如何用开源工具 OpenWhispr 在任意应用中私密口述提示词
Deduped 介绍开源桌面应用 OpenWhispr 的安装与用法，按住全局快捷键说话，文字会自动粘贴到任意应用光标处，适合向 Claude Code 或 Cursor 口述长提示词。
Google AI · DEV 作者专属AI 评分6666 如何用 Python 滑动窗口从 Whisper 转录中找视频高亮片段
作者用约 120 行纯标准库 Python 复现 osFoundry 视频编辑器 Suggest clips 按钮背后的滑动窗口算法，不依赖模型，按每个窗口的词密度从带词级时间戳的转录中挑高亮片段。
Google AI · DEV 作者专属AI 评分6969 Cursor 推出 Voice Chat 功能，可与编码智能体实时语音对话
Cursor 于 2026 年 11 月 6 日推出 Voice Chat with Agents，用户可与编码智能体实时双向语音通话，覆盖 Agents Window、IDE、网页版和 iOS 端。
Google AI · DEV 作者专属AI 评分4949 AI 语音模型如何训练：技术概览
现代 TTS 训练管线包含数据采集与预处理、声学建模生成 mel 频谱、神经声码器合成波形、语音克隆微调四个环节。10–20 小时干净的单说话人音频即可训练出可用的基线模型，VITS 克隆新音色只需 30–60 秒数据。声学模型可选 Tacotron 2、FastSpeech、VITS，声码器可用 WaveGlow 或 HiFi-GAN，也可接入 ElevenLabs 加速部署。
Google AI · DEV 作者专属AI 评分6565 YouTube 自动字幕的准确度够用来引用吗
作者用 youtube-transcript-api 逐词对比 NASA 上传的肯尼迪 1962 年莱斯大学演讲视频（WZyRbnpGyzQ）的人工与自动字幕，两者约 95% 的词一致，但差异集中在名称、数字和术语上。
IT之家·人工智能AI 评分4141 鸿蒙智行发布10月车主用车报告，单月辅助驾驶里程突破11.14亿公里
鸿蒙智行发布10月车主用车报告，10月辅助驾驶里程突破11.14亿公里，辅助驾驶活跃用户占比95.83%。智慧语音助手被唤醒超3.38亿次，平均每秒呼唤小艺126次，月度避免可能的碰撞20.98万次。鸿蒙智行官方本月初宣布10月交付33537台，全系成交均价超40万元，累计交付突破160万台。
Google AI · DEV 作者专属AI 评分5858 Ming-3.0-tts 在 16 GB 显卡上实测 GPU 大部分时间空闲，换 RTX 4090 仅提速约 17%
InferenceKey 在 RTX 2000 Ada 上实测 Ant Group inclusionAI 团队以 MIT 协议开源的语音合成模型 Ming-3.0-tts-0.5B，GPU 超过三分之二时间空闲，换 RTX 4090 仅提速约 17%，根源是每步 80 毫秒、由 CPU 筹备下一步的解码循环。
IT之家·人工智能AI 评分6565 Cursor 推出与编码智能体实时语音聊天功能
Cursor 于 11 月 6 日宣布推出 Voice Chat with Agents 功能，开发者可通过语音与编码智能体双向对话，口头描述修改需求、查询差异和运行状态，智能体同时在后台继续编码。
Cursor Changelog精选AI 评分6363 Cursor 推出智能体实时语音通话，底层由 Grok Voice 驱动
Cursor 推出与智能体的实时语音通话功能，用户可口头描述改动、询问智能体当前工作并随进展听取更新。
推荐理由：原文讲清语音通话与听写的区别，并列出 IDE、网页和 iOS 的使用入口，方便读者评估是否把语音纳入编码流程。
ElevenLabs · BlogAI 评分5252 ElevenLabs 发布 ElevenAgents Unity SDK，让游戏 NPC 可语音对话
ElevenLabs 发布 ElevenAgents Unity SDK，将 Unity 场景连接到语音智能体，玩家可对着角色说话，语音通过 AudioSource 播放并经 Conversation API 运行。
TechCrunch · AIAI 评分5050 Underdog 在新演示中展示 32MB 语音模型 Woof
创业公司 Underdog 在新演示中展示 32MB 语音模型 Woof：3100 万参数、开放下载，无需联网即可在浏览器内运行。演示游戏为复古科技风格，打字机上输入的文字会被朗读，旋转调谐器可生成不同音乐。此次演示在其推出 167MB 语音转文本模型 Bark 数周后进行，该公司还发布过可在笔记本上运行的 270 亿参数模型。
TechCrunch · AIAI 评分5757 Meta 向美国所有用户开放 Muse 智能体语音与视频通话功能
Meta 宣布 Muse Voice 功能向美国所有用户开放，用户可拨打语音或视频电话与其消费级 AI 智能体 Muse 交谈。
The Verge · AIAI 评分5252 Meta Muse AI 智能体上线语音对话模式
Meta 今日宣布 Muse AI 智能体支持实时语音对话，CEO Mark Zuckerberg 公布了这一功能。The Verge 作者已在 iOS 应用中试用，对话时顶部头像会随所说内容同步动效，用户可让智能体自行决定或在头像设置中浏览选项来更换语音音色。作者初步测试响应较快，但智能体在查询信息时偶有停顿。
Meta · Newsroom · AIAI 评分5757 Meta Muse 应用上线实时语音对话与表情化虚拟形象
Meta 在 Muse 应用的移动端、网页端和 Mac 上线实时语音对话，点击右上角电话图标即可开始，该功能此前在 Connect 2026 预览，目前先在美国推出。
Hugging Face Blog精选AI 评分6969 Gradium 发布端侧 TTS 模型 Phonon，在 Open TTS Leaderboard 多项指标领先
Gradium 在 Hugging Face 博客回顾两周前开源的端侧文本转语音模型 Phonon，无需服务器和网络即可运行。模型有约 65 MB 和 75 MB 两个版本，支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种声音，其中 Phonon 31m 采用 Apache 2.0 许可可商用。
推荐理由：官方详解 Phonon 端侧 TTS 的架构、许可与排行榜表现，可帮助读者评估小模型离线语音方案的适用性。
ElevenLabs · BlogAI 评分5353 ElevenLabs 详解语音转文字准确率问题的成因与修复工作流
ElevenLabs 官方博客发布语音转文字（STT）准确率修复指南，把出错原因归为音频输入质量、说话人动态、词汇与上下文三类，并建议按输入、处理、输出三段管线定位修复。
ElevenLabs · BlogAI 评分4444 ElevenLabs 详解 AI 语音智能体定价：企业要花多少钱
ElevenLabs 详解 AI 语音智能体定价：总成本为平台分钟费、LLM 用量与电话费之和，后两者按成本单独计费。ElevenAgents 付费档折算均为每分钟 $0.08，套餐从每月 15 分钟的免费档到定制 Enterprise 档。企业应按高峰并发选套餐，并与同等话务量的人力全成本对比计算 ROI。
ElevenLabs · BlogAI 评分4444 ElevenAgents 与主流呼叫中心平台原生集成，提供企业级语音智能体
ElevenLabs 的语音智能体 ElevenAgents 已与 NiCE CXone、Genesys Cloud、Amazon Connect、Five9 四大呼叫中心平台原生集成，其他平台可经 SIP 接入。企业无需更换现有系统即可自动处理改约等重复来电，支持超过 17,000 种声音与 90 多种语言，可全天候服务。
PyTorch BlogAI 评分4444 用 ExecuTorch 优化 Arm 边缘设备上的流式语音识别
PyTorch 团队将 NVIDIA Nemotron 3.5 多语言流式 ASR 模型部署到 ExecuTorch，并在 Google Pixel 11 上用单推理线程进行性能剖析。
Ollama BlogAI 评分7272 Ollama 发布语音模型支持，首个模型为 Gradium 的 Phonon 文本转语音模型
Ollama 新增语音模型支持，首个模型是来自 Gradium 的 Phonon 文本转语音模型，现已支持 macOS，Windows 与 Linux 支持即将推出。
Amazon ScienceAI 评分4646 Audible 用可控 TTS 改进有声书语音合成
Audible 技术团队用可控 TTS 改善有声书语音合成，让模型按自然语言描述控制对白演绎。其数据合成管线生成带语音描述的训练数据，BookLLM 自动识别书中角色与对白，英、西语识别准确率分别达 97% 和 94%。合成有声书在 MUSHRA 测试中对白区分度提高 3.7 分，英语和西班牙语测试中十种声音有八种聆听体验显著改善。
Mistral AI精选AI 评分6060 Mistral 发布 Voxtral 3 语音模型系列与语音代理 SDK
Mistral 发布 Voxtral 3，包含新一代语音转写与语音合成模型系列和一个语音代理 SDK，今日起可通过 Mistral API（欧洲、美国和全球端点）使用，并支持自部署以控制音频数据。
推荐理由：原文附定价表和多组转录、TTS 对比基准，想搭建语音代理的读者可据此估算成本并权衡 API 与自部署。
Google Developers Blog精选AI 评分7171 Google ADK 教程：构建永不沉默的语音智能体
Google 开发者博客发布 ADK 教程，讲解用流式工具、非阻塞 FunctionTool 和 response_scheduling 构建慢工具运行期间不冷场的语音智能体。
推荐理由：原文提供流式工具和后台执行两种模式，让语音智能体在慢查询运行时保持对话不断线，方法可直接迁移复用。
OpenAI · 部署安全与系统卡AI 评分5555 OpenAI 发布 GPT-Live-1.1 与 GPT-Live-1.1 Quip 语音模型系统卡
OpenAI 发布 GPT-Live-1.1 和 GPT-Live-1.1 Quip 系统卡，两者为全双工语音模型，分别是 GPT-Live-1 与 GPT-Live-1 mini 的后续版本，前者为 Plus 及更高档位用户（含 Codex 和 Dots）的默认语音模型。
Sarvam AIAI 评分5353 Sarvam AI 发布印度语言语音合成模型 Bulbul V4 Flash
Sarvam AI 发布文本转语音模型 Bulbul V4 Flash，生产环境 time-to-first-audio 低于 250 ms，价格为每 10,000 字符 ₹20，比 V3 的 ₹30 便宜三分之一。
Google AI BlogAI 评分4444 Google 汇总 2026 年 9 月宣布的 AI 最新动态
Google 汇总 2026 年 9 月宣布的 AI 更新，当月核心是最新前沿模型 Gemini 4 Argon：具备高级推理与 100 万 token 输出上限，聚焦网络安全防御，正通过 Fairwind Program 向可信网络防御者推送。
Suno · Blog精选AI 评分6767 Suno 推出 Speech（beta），一条音轨同时生成语音与配乐
Suno 推出 Speech（beta），官方称其为首个把语音与背景音乐合成为同一条完整音轨的音频模型，现已向所有用户开放。用户输入一段文字并描述想要的嗓音与音乐风格，即可生成配上原创背景音乐的朗读音频，该功能此前已小范围测试一个月。官方提示 beta 阶段口音和戏剧性停顿尚不稳定，将根据社区反馈持续改进。
推荐理由：Suno 官方介绍了语音与配乐合为一条音轨的生成方式和用法，并坦承 beta 阶段口音与停顿还不稳定，可据此判断适用场景。
GitHub Org · unslothaiAI 评分5858 unslothai 开源 audio.cpp：纯 C++ 音频模型推理引擎
unslothai 在 GitHub 发布 audio.cpp，一个由 ggml 驱动的纯 C++ 音频模型一体化推理引擎。它支持 TTS、STT、VAD、语音转换、音乐生成等多种音频任务，主打高度优化的性能，且不依赖 Python。
Sarvam AIAI 评分5858 Sarvam AI 发布语音识别模型 Saaras V4
Sarvam AI 发布新一代语音识别模型 Saaras V4，在全部22种印度语言上取得SOTA，并在七个英文数据集上拿到最低WER。模型由音频编码器搭配从零自研训练的 3B 混合状态空间 LLM 解码器组成，同一模型支持 transcribe、translate、verbatim、translit、codemix 五种输出格式。
Sarvam AIAI 评分5252 Sarvam 汇总首届 Epoch 活动发布，涵盖 105B 模型、语音栈与 Agent 平台
Sarvam 汇总首届 Sarvam Epoch 活动的全部发布，覆盖整条技术栈，包括更新版 Sarvam 105B、Sarvam Vision 2.0、Saaras V4、Bulbul V4、Sarvam Inference 推理层、Indus Agent 平台、Sarvam Code 早期 beta、Sarvam Cyber、Anvaya、Kivi 与 Kaze 智能眼镜。
Thinking Machines Lab · News精选AI 评分7272 Thinking Machines 宣布交互模型研究预览，TML-Interaction-Small 原生支持实时多模态协作
Thinking Machines Lab 宣布交互模型研究预览，从零训练出 TML-Interaction-Small（276B 参数 MoE、激活 12B），可实时接收音频、视频和文本并即时回应。
推荐理由：原文说明交互模型如何把实时互动内建到模型本身而非外部脚手架，并给出与主流实时模型在智能与响应上的基准对比。
Stability AI NewsAI 评分4646 华纳音乐集团与 Stability AI 携手打造新一代负责任的音乐创作 AI 工具
华纳音乐集团（WMG）与 Stability AI 宣布合作，共同打造新一代负责任的 AI 音乐创作工具。双方将为艺术家、词曲作者和制作人开发专业级工具，用经道德训练的模型支持创作、保护创作者权益并开辟新收入途径。其 Stable Audio 系列模型仅基于授权数据训练，定位商用安全的生成式音频。