OpenAI 发布 GPT-4o（'o' 为 omni），文本、音频、图像端到端统一训练，语音对话平均延迟降至 320 毫秒，接近人类对话反应速度。

语音对话「说完—听懂—想好—说出」四段链路各带百毫秒级延迟，叠加起来轻易超过人类对话的停顿预算。本文摊开全链路延迟账本，拆解 VAD、流式识别、首 token 与流式合成各环节，并对比级联与端到端两条架构路线。

OpenBMB 的 2B 语音基础模型：把 TTS 流水线里的分词器整个删掉，在连续潜空间端到端建模，一个骨干同时装下 30 语言、9 种中文方言、自然语言造声与三层克隆，48kHz 原生输出、Apache-2.0。本文拆解四阶段管线、FSQ 瓶颈与非对称 AudioVAE，并如实标注 8GB 显存门槛与运行间波动。

Agent 工程系统学习第 13 章（前沿专题）：三个高薪高门槛方向。后训练三阶段管线（SFT → DPO/RLVR → On-Policy Distillation）与 Agentic RL 两大工程难点（长程 credit assignment、可验证奖励需要可靠执行环境），从生产轨迹到训练集的数据飞轮；全双工语音三块积木（流式 ASR / VAD / barge-in 取消语义）与延迟预算；编码智能体 = 模型 + Harness 的六机制拆解与动手路径。

盘点 2026 年 10 月主流开源 TTS 七个项目（GPT-SoVITS、CosyVoice、F5-TTS、Fish Speech、IndexTTS、Kokoro 等）：机制、音色克隆方式、中文支持与许可证商用限制，附中文效果/实时率/长文本对比表与 F5-TTS 上手示例，兼谈声音克隆的授权与深度伪造合规风险。

「小爱同学」到回答只有两秒，中间站着五道流水线工位：唤醒词、VAD、流式 ASR、LLM、TTS，外加最难的一道暗桩——打断处理。本文按延迟账拆解每道工位的职责、模型选型与失败模式，算清为什么端侧语音助手的优化是一张接力棒时刻表。

★62,973、AGPL-3.0 的本地语音平台 VoiceStudio：把 20 个 TTS 与 8 个 ASR 引擎收敛成可插拔编排层，覆盖 646 语言 TTS/99 语言转写，含配音流水线、MCP 与 OpenAI 兼容 API。拆解引擎子进程隔离、自适应批宽、操作次数性能预算，以及模型许可与 Pro 边界。

Palash Debnath 的全本地开源语音工作台 VoiceStudio（当日涨星 +3,274、★43,728、AGPL-3.0）：把 17 个 TTS 与 7 个 ASR 引擎抽象成可插拔引擎层，覆盖克隆/设计/配音/听写/有声书并内置 MCP。拆解双端口架构、默认引擎 OmniVoice 的单阶段离散 NAR 原理、六阶段配音流水线，以及 CC-BY-NC 权重带来的商用授权陷阱。

阿里Qwen团队发布Qwen-Audio-3.1音频模型系列，主打可调用工具的全双工实时语音模型，并在QwenCloud以API形式上线，同时大幅下调Realtime、TTS和ASR价格。

零样本语音克隆只需约 6 秒参考音频：说话人编码器把音色压成一个向量，再去条件化 TTS 生成——XTTS 一条路是「嵌入式克隆」，OpenVoice 一条路是「合成后换色」。本文拆解两条技术路线的原理、效果边界，以及这道技术必须面对的滥用与合规问题。

波士顿语音智能公司 Modulate 完成 2500 万美元融资，用 100 多个小模型提供语音转录、情绪分析、深度伪造检测与合规监控。

IT之家 9 月 16 日消息，当地时间 9 月 15 日，谷歌宣布推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。谷歌称这是其迄今最先进的实时对话模型，在智能和并行推理方面有重…

IT之家 9 月 19 日消息，当地时间 9 月 18 日，SpaceXAI 发布了 Grok Voice Transcribe 2.0 语音转文本模型，在保持价格不变的前提下，错误率降低约一半。 官方表示，Grok Voice Trans…

IT之家 9 月 18 日消息，特斯拉昨日发布了最新的 2026.26.200.11 版软件更新，已开始分批推送。本次升级涵盖豆包大模型、宠物模式、导航、辅助驾驶、媒体应用及安全修复。 特斯拉车机新增豆包大模型语音助手（需开通高级车载娱乐服…

IT之家 9 月 9 日消息，据凤凰网科技报道，中国联通今日发布“小魔方”AI 原生终端。该产品由中国联通与魅族合作研发，搭载云智 OS， 采用 4 英寸小方屏设计，整机重量 99 克 ，主打全语音操控、AI 智能服务、智能通话及端云协同。…

谷歌发布新一代世界模型 Genie 4，可根据文字指令实时生成可交互虚拟环境，支持实时音频与用户动态修改场景。

IT之家 9 月 29 日消息，ElevenLabs 于当地时间周一正式推出了两款全新语音模型，分别为 ElevenLabs v4 与 v4 Turbo。新版模型强化了情绪表达控制能力，降低了语音智能体的响应延迟，同时支持 90 余种语言。…

IT之家 9 月 23 日消息，谷歌今日宣布，Gemini 家族新增两款全新文本转语音模型，将语音生成**从静态预设转变为动态创意工作室**，能够帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验，同时为 Gemini Noteboo…

IT之家 9 月 30 日消息，在北京时间 9 月 30 日凌晨 1 点举行的 OpenAI DevDay 2026 活动中，OpenAI 宣布 Codex CLI 迎来焕新升级。 Codex CLI 现已支持语音对话**，用户可以直接与 …

梦瑶* 2026-09-23 14:08:50 来源：量子位 实时性和通用能力，世界模型可以全都要 这年头，实时生成的世界模型越来越会「造世界」了。 画面更夯，控制更细，但一旦走到实时生成这一步，继续往上做能力，就会有个很难绕开的坎： 能…

意大利最大银行 Intesa Sanpaolo 旗下私人银行业务部门 Fideuram 的总裁 Paolo Molesini 今年 2 月成为一起组合利用 WhatsApp 假信息和 Deepfake 语音的诈骗行动目标，导致逾 1 亿美元…

Druid 连接池的架构设计与监控能力解析

IT之家 9 月 30 日消息，在今天召开的 2026 开发者日活动中，OpenAI 宣布推出 Decisions API，这是一个面向实时、低延迟分类与路由场景的全新 API，**可以大约在 150 毫秒内返回结果**，比通过常规 API…

“IT早报”时间，大家好，现在是 2026 年 9 月 13 日星期日，今天的重要科技资讯有： 1. 外卖新规实施三个月，央视探访看到店员徒手抓烤鸡、明厨亮灶摄像头对着天花板 今年 6 月 1 日起，《网络餐饮服务经营者落实食品安全主体责任…

Architect Financial Technologies 发布 Liquid Inference，一个 LLM 推理市场路由器，每次请求通过实时拍卖由各供应商报价竞价，买方支付满足规则中的最低报价，开发者只需替换 base URL 即可让供应商在价格上竞争。

IT之家 10 月 24 日消息，小米 REDMI 首款耳夹耳机 Clip Neo 将于 10 月 27 日上市，官方现已公布部分配置信息。 IT之家从官方介绍获悉，新品采用**12mm 高性能双磁设计** ，类金刚石镀膜，支持低音增强算法…

IT之家 9 月 11 日消息，科技媒体 MacRumors 昨日（9 月 10 日）发布博文，报道称在 Apple Watch Series 12 和 Apple Watch Ultra 4 两款智能手表上， 苹果计划引入“实时回放”（L…

基于项目 README 原文与 GitHub 实时数据（2026-09-15：8,360★）拆解开源项目 Utopia：用「本体论 + 双时态」让企业知识记得住「当时为什么这么判断」。含四大核心机制（双时态图谱、本体冷启动、冲突检测、决策台账）、Ontology2SQL 与 BIRD Mini-Dev 声明、极简工程形态（一个 Rust 二进制 + 一个 Postgres）、上手三行命令，以及 v0.1 阶段宣传语里不会写的边界与落地成本。

IT之家 9 月 22 日消息，据专利聚合网站 Patentlyze 披露，索尼 SIE 近日提交一项基于 AI 的 PlayStation 自动诊断和修复系统专利，该系统可以持续监测联网的 PlayStation 设备，在发现软件问题后由…

轻量版LingBot-World 2.0]

IT之家 9 月 24 日消息，在夏威夷举办的 2026 骁龙峰会上，高通在宣布第六代骁龙 8 至尊版和第六代骁龙 8 超级至尊版芯片后，**今天发布第二代骁龙音频平台至尊版。** 这也是高通首款融合优质音频、语音技术、终端侧智能与连接能力…

2024 年初，一家跨国公司的财务员工参加了一场多人视频会议—— CFO 与同事全是 AI 伪造，15 笔转账、2 亿港元，无一真人。本文复盘这起教科书级案件，拆解深伪诈骗的信任链、为什么「视频里有脸有声音」正在失效，以及检测与组织防线该怎么建。

“IT早报”时间，大家好，现在是 2026 年 10 月 12 日星期一，今天的重要科技资讯有： 1. 国家安全部揭秘为何接陌生来电先沉默三秒，称数秒语音样本可能被不法分子用于 AI 声纹克隆 近期，一条“接到陌生来电先沉默三秒”的提醒在社…

IT之家 9 月 24 日消息，科技媒体 Android Headline 今日发文，放出三星首款耳夹式耳机 Galaxy Buds On 的外观谍照。该机将采用类似耳环的设计，有望支持自动调节音量、语音助手和睡眠检测等功能。 据介绍，该耳…

英伟达发布基于真实胆囊切除术录像训练的实时手术世界模型 Cosmos3-H-Dreams，可根据机器人运动学输入实时生成手术画面，用于手术机器人训练与研究。

IT之家 10 月 12 日消息，比亚迪今日宣布与荣耀战略合作，共创 AI 语音融合，A2A 打通车机与手机语音智能体，将手机 AI 能力和服务带入座舱空间。 据介绍，比亚迪将支持 YOYO 远程控车，包括语音寻车、语音备车，一句话直达；手…

IT之家 10 月 4 日消息，Discord 官方账号在 X 平台透露，目前开发人员正在为 Discord 应用开发全新的“游戏模式（Game Mode）”。该功能可在检测到玩家启动游戏后，自动降低 Discord 应用的 CPU、GPU…

IT之家 10 月 2 日消息，Meta 宣布旗下 AI 智能体 Muse 将于近期登陆智能眼镜，用户无需拿出手机，只需通过语音下达指令，Muse 就能在后台代用户完成一系列任务。 Meta 表示，Muse 基于 Muse Spark AI…

IT之家 9 月 11 日消息，商汤科技宣布 AI 办公智能体“小浣熊”移动端 App 正式上线，提供苹果 iOS 和安卓版本，用户提交 App 反馈问卷，可获 1000 积分。 官方表示，移动端“小浣熊”支持使用自然语音快速对话操作，用户…

IT之家 9 月 18 日消息，腾讯 Chatterfly 输入法现已开启内测，支持 macOS 和 Windows 系统，iOS 与 Android 版显示为即将发布。 官方表示，这款输入法除了将语音变成文字外， 还能理解上下文 ，识别不…

9月16日，网易有道「NEXT，AGENT｜有道AI Open Day」在北京举办。]

库克在上海受访时确认，苹果智能已获批准在中国推出首批核心功能（写作工具、照片消除、实时翻译）的测试版，全新 Siri AI 助手暂不在首批范围内，据报道阿里千问将作为 AI 能力集成其中。

为遵守欧洲的数字市场法律《Digital Markets Act（DMA）》，Google 宣布将调整欧洲的搜索服务，提升 Expedia 和 Hotels.com 等竞争对手比价服务的权重，移除酒店、航空公司和餐厅搜索结果中的部分实时信息…

· 曝 Anthropic 接近确定 IPO 核心承销商 · 康宁 CCO：AI 让玻璃基封装与光互连走到台前 · 《西雅图时报》和《新闻日报》起诉 OpenAI 与微软 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精…

Jay* 2026-09-25 14:11:10 来源：量子位 人工外包团队 Jay 发自 凹非寺 量子位 | 公众号 QbitAI 这这这，Meta自研的Manus，咋直接在内部晋升「太子」了啊？？ 刚刚结束的Connect大会上，扎克…

田, 晏林* 2026-09-22 23:59:35 来源：量子位 阿里：三年之内会出现一个原生的全模态统一生成模型，未来体验将不再受限于模态边界。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 5天。 不用搭景，不用等演员，导…

Bee 发布两款 AI 录音硬件，可自动生成对话摘要、待办与日程并接入 Gmail、Outlook、Alexa+ 等生态，强调原始音频不存储的隐私设计。

🏢任正非重申「华为不造车」，将继续帮助东风造好车 📈曝 DeepSeek 年化收入运行率达 10 亿美元，数月内翻倍 🎵网易云音乐鸿蒙版正式上线，支持歌单同步与多终端使用 💬余承东回应问界调整：赛力斯主动提出主导，华为将聚焦其余四界…

154 页、约 40 个真实案例、七大危害领域。Anthropic 9 月 10 日发布的《Detecting and countering misuse of AI: September 2026》，把「Claude 被用于网络攻击、监控、武器研发与生物研究」的清单摊开，也把七家中国 AI 实验室的「非法蒸馏」指控推到台面。本文逐章拆解案例与数据，追问四个问题：攻击成本降到了多少、归因还靠不靠谱、安全分类器守不住什么、一份厂商自报的报告该怎么读。

转写成文字只是「听见」，音频理解的野心是「听懂」：环境声事件、音乐结构、说话人情绪、副语言信息。本文拆解音频语言模型的技术配方（音频编码器 → 语义 token → LLM）、开源代表 Qwen 系与评测基准 MMAU/AudioBench，以及它正在替代的旧管线。