跳到正文
#AI 增强
9月28日周一
  1. ElevenLabs Blog67

    ElevenLabs 发布 Eleven v4 与低延迟版 Eleven v4 Turbo 语音模型

    ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称 Eleven v4 在 Artificial Analysis 排名第一，并在与 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 的盲测对比中被约 75% 听众偏好。Eleven v4 Turbo 面向语音代理等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms，与 ElevenAgents 平台协同优化。两款模型支持 90 多种语言，Instant Voice Clones 用 10 秒音频即可克隆，并新增 Professional Voice Clones 支持，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。

    推荐理由：官方给出两款新模型的延迟、盲测偏好与克隆门槛，可据此判断语音代理和配音场景是否值得迁移。

  2. 声网博客42

    从 RTC 2026 看行业关注重心偏移：语音AI正成为实时系统研究主战场

    IIT RTC Conference 2026 将"AI in RTC"设为与 WebRTC 并列的独立分论坛，语音AI对实时系统提出的规模、延迟、信任问题被正式承认为独立研究方向。会议讨论指出，语音AI路径天然非点对点，TURN中继转发压力随并发迅速堆高，可用eBPF将ChannelData包转发下沉内核层；一次对话约800毫秒延迟预算中，端点检测最难做准。2026年8月公开评测显示，语音端到端延迟最快已达0.44秒。

9月26日周六
  1. Pipecat Releases62

    Pipecat v1.12.0 发布：新增分类器与 MOQ 客户端重连，TTS 支持 IPA 发音映射

    Pipecat 发布 v1.12.0，新增 Pipecat Classifiers，可通过 JevClassifier 或 LLMClassifier 对状态提出是/否、选择与评分问题，并新增 TTSService.pronunciation_transform_ipa() 用词到 IPA 的映射控制专有名词发音。MOQTransport 增加客户端模式重连，断线后按退避重拨，MOQParams.connection_timeout 默认由 30 s 改为 60 s；同时弃用 UninterruptibleFrame、BaseUIWorker 等接口，将在 2.0.0 移除。

    推荐理由：版本说明覆盖分类器、MOQ 重连与语音合成发音等多项能力变化，并列出弃用与移除项，便于评估升级影响。

9月25日周五
  1. Boson AI Blog58

    Boson AI 发布 Higgs VoiceOver：在 DaVinci Resolve 和 Premiere Pro 内生成 AI 配音

    Boson AI 发布 Higgs VoiceOver 插件，把 AI 配音放进视频剪辑器，由 Higgs TTS 3 驱动，每句旁白生成独立片段并自动排到时间线的配音轨上。它支持用标签控制情绪、语速和音效，自动生成词级时间轴字幕，用约十秒音频克隆自定义声音，覆盖 100 多种语言且同一句内可切换语言。该插件已在 macOS 上的 DaVinci Resolve Studio 和 Adobe Premiere Pro 上线，Final Cut Pro 与 Windows 版本在开发中，使用自带 Boson API key 按量计费，价格为每千字符 0.015 美元。

    推荐理由：面向剪辑工作流的 AI 配音插件，说明它如何把配音、字幕和声音克隆放进时间线，以及按量计费的成本口径。

9月24日周四
  1. Hume AI Blog40

    Google Gemini 3.8 Flash TTS 登顶 Hume 真实世界 VoiceEQ 榜单

    Hume 对 Google Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 预览版进行独立评测，两款模型分列 Expressivity–Reliability 前沿评分第一、第二，达 0.920 和 0.914。相比 Gemini 3.1 Flash TTS，长文本稳定性得分从 1.22 升至 2.89 和 3.03（五分制），语音设计可控性领先，但说话人相似度与部分精细控制仍偏弱。

  2. 声网博客30

    Meta Connect 2026：当语音成为超级智能的入口

    Meta Connect 2026 发布 Muse Realtime Avatar 与 Ray-Ban Meta Audio 两条实时 AI 交互产品线，前者把语音对话升级为带口型、表情和手势的可视化形象，后者是 349 美元起、43 克、10 月 13 日发货的无摄像头纯音频眼镜。Meta 称 Muse Realtime Avatar 通过自蒸馏把教师模型的 120 次调用压缩到 2 次，响应延迟约 870 毫秒，但仍处于 early preview，画面偶有扭曲模糊。

9月23日周三
  1. 声网博客45

    骁龙8至尊版Gen 6发布：端侧语音AI能干什么、不能干什么

    高通在骁龙峰会发布骁龙8至尊版Gen 6与骁龙8旗舰版Gen 6，旗舰版可本地运行300亿参数MoE模型并完成语音识别到合成的全链路Agent，标准版感知中枢支持2亿参数模型做个人速记与说话人区分，两款均内置实时降噪“语音气泡”。但MoE省的是计算量而非内存，300亿参数仍需量化压缩才能塞进手机，且芯片只处理麦克风收到的这段声音，跨设备传输的丢包、抖动与路径调度仍由声网SD-RTN这类实时网承担。

  2. Cartesia Blog42

    Cartesia 推出 Multilingual Voices：50+ 音色库原生支持最多 25 种语言，并可将自建克隆音色变为多语言

    Cartesia 发布 Multilingual Voices，50+ 音色库音色原生支持最多 25 种语言，自建克隆音色也可扩展为多语言。每个语言和口音由母语者按评分标准审核，检查口音是否保持以及日期、数字、货币是否按当地方式朗读。用户可用同一 voice ID 搭配不同 locale 调用 TTS，或在仪表盘中为克隆音色最多添加 9 种新口音和语言。

  3. Meta AI Research Blog74

    Meta 发布 Muse Realtime Avatar 实时数字人系统

    Meta 推出 Muse Realtime Avatar，把 Muse Realtime Voice 的语音 token 流转化为同步的实时数字人视频，支持面部、手部和全身动作。系统采用自强制与分布匹配蒸馏，将每个视频块的推理从教师模型的 120 次评估降到 2 次，减少 60 倍。它以 448x768、25fps 输出，从用户说完到收到音视频首字节约 870 ms，单张 GB200 可支持 12 路并发实时会话，并嵌入 Meta Video Seal 隐形水印。

    推荐理由：Meta 公开了实时数字人系统的蒸馏方案与端到端延迟、并发数据，可对照自身实时视频生成链路。

9月22日周二
  1. Mux Blog36

    Mux 解析如何用帧、镜头和场景为 AI 视频工作流组织视频

    Mux 提出用帧、镜头、场景三级结构为视频 AI 工作流提供输入，以 Mux Robots 为例说明按问题选择粒度可减少送入视觉模型的图像量。一小时的 30fps 视频含 108,000 帧，逐帧分析既慢又贵；帧回答单个时刻的问题，镜头定位画面切换，场景圈定完整段落。Mux Video 的 Shots 功能通过比较相邻帧的视觉信号检测剪辑点，输出边界列表和每个镜头的代表图。

  20. Tavus Blog34

    Tavus 为 PALs 推出长期记忆功能 Memories，围绕关系构建对话连续性

    Tavus 为 PALs 推出长期记忆功能 Memories，按每段 PAL 与用户的关系维护独立的记忆存储，包含描述用户偏好与目标的 Profile 和记录对话事件的 Timeline。该设计将实时对话所需的持续关系上下文与按需历史检索分离，避免每次响应前增加搜索步骤；记忆内容可查看、纠正和删除。