语音与音频

Fish Audio 发布开源语音生成模型 Drama 3，将声音克隆、自然语言导演、多角色配音、语音修改和流式合成整合到同一套系统中。其核心并非只追求更像真人，而是让模型能够理解一段表演应如何完成、修改和衔接。

苹果向欧盟委员会披露，已与个性化音频初创公司 Huxe 达成协议，将向部分员工发出聘用邀请，并获得其知识产权的非独家许可。该交易可能为苹果探索 AI 生成或个性化播客功能铺路，但公司尚未公开具体计划。

传统级联式语音助手通常要等用户说完、模型完成判断后，才开始调用外部工具。新研究让系统根据流式语音识别的中间结果提前猜测工具请求，并在后台执行，以减少最终回答的等待时间。

在肖恩·帕克和新管理层推动下，Stability AI正把业务重心转向音乐。公司获得索尼、华纳和环球等唱片公司的资金与版权支持，并推出新的音频模型及音乐编辑工具。

YuE2尝试把符号化作曲与音频生成合并到同一套模型中：先规划旋律和和弦，再将其渲染为包含人声与伴奏的完整歌曲。报告显示，加入符号规划后，专家对作品整体质量和音乐性的偏好明显提升。

StepAudio 3 Realtime围绕“持续聆听—对话—思考—行动”构建，试图同时解决语音交互中的理解深度、响应延迟与自然打断问题。其核心机制包括深度感知、无缝全双工和边说边想。

Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，重点提升实时语音交互、视觉理解、并行推理与后台工具调用能力。两款模型面向不同复杂度的语音代理任务，并已通过 API、Workspace、Search 和 Gemini 应用逐步开放。

Google正在把多语言AI的目标从“翻译文本”推进到理解语气、情绪、方言和真实对话场景。其方案覆盖语音模型、社区数据、离线设备与无障碍沟通。

X-AuT提出一套面向语音大模型的音频编码器渐进式压缩方案，在减少编码器层数的同时，尽量避免嵌入扰动带来的漏字和提前结束问题。实验显示，Qwen3-ASR-0.6B从18层压缩至14层后，音频塔参数减少20.7%，平均错误率为5.75%。

小米开源工业级目标说话人语音识别大模型 CocktailASR-1，尝试解决多人同时讲话时的语音识别难题。它不只依赖降噪，而是先指定要听的对象，再输出目标说话人的内容。

一项新研究提出 Brain2Semantics2Text，将句子级 MEG 信号映射到语义嵌入空间，再由语义表示生成文本。它不再执着于恢复每个音素或单词，而是优先解码大脑活动中的整体意义。

印度音频故事平台Pocket FM称，其年化收入运行率在一年内翻倍至5亿美元，93%的内容目录已由AI参与生产。AI还让内容制作成本下降约80倍，但人类仍负责核心创意与故事开发。

AuK试图把语音生成、内容修改、音频增强和声学编辑整合到同一个自然语言驱动的框架中。其技术路线结合多模态语义建模、音频潜变量表示与混合式扩散生成，并推出面向低成本推理的AuK-Flash。

OpenAI在GPT-Live工程报告中介绍了面向连续语音交互的系统设计：将媒体与推理置于实时路径，把工具调用、任务委派和持久化等操作移至异步边界之后。该架构还通过有状态会话迁移、WebRTC优化和生产流量静默测试，解决扩展与上线验证问题。

一项研究考察了语音识别系统为何会生成与输入语音无关、却看似流畅的文本。结果显示，编码器最后阶段是语音信息完成落地、并交给解码器读取的关键位置，但绕过该阶段本身并不会直接产生自然流畅的幻觉。

微软团队发布 VibeVoice-ASR-Streaming，将说话人识别与语音转写统一到一个流式模型中。该模型通过固定音频块、少量前瞻音频和历史文本，在语音到达时持续输出带说话人归属的转写结果。

生成式音乐工具降低了创作门槛，也让电子乐场景陷入“哪些作品是真人创作”的信任危机。越来越多音乐人开始根据声音瑕疵、视觉异常和平台特征，公开质疑疑似AI作品。

LibriBrain100提供超过100小时的自然语音MEG记录，并同时覆盖单个受试者的深度数据与多受试者的广度数据。研究结果显示，规模化的被试内采集和跨被试迁移都能为神经语音解码带来价值。

阿里巴巴推出 CosyVoice Studio，试图把语音识别、语音合成、音频创作与实时语音智能体整合到同一平台。其核心看点不只是“听得清、说得像”，而是把语义理解嵌入语音工作流。

面对流媒体平台上激增的AI音乐以及版权诉讼压力，Suno计划为模型生成的音频加入不可见水印，并限制部分下载行为。此举既是行业标签化趋势的一部分，也是一场关于AI音乐能否被平台、版权方和用户接受的合规实验。

SwanTale 试图把多说话人语音、环境音效与零样本音色复用放进同一个生成框架。它的重点不只是“像谁说话”，而是让创作者用自然语言同时描述角色、情绪、场景与声音内容。