亚马逊推出 Alexa 文本购物功能，允许用户通过短信下单
亚马逊推出 Alexa 文本购物功能，允许美国部分用户通过短信使用自然语言搜索、加购和购买商品。该功能支持管理购物清单、追踪价格、跨网页搜索及通过图片查找相似商品，旨在假日购物季前抢占 AI 智能体交互入口。
#语音
TechCrunch · AIAI 评分6060
TechCrunch · AIAI 评分6262 Meta 宣布美国用户现可与 Muse AI 数字形象进行视频通话
Meta 宣布其消费级 AI 智能体 Muse 的实时视频通话功能现已向全美用户开放。该功能基于 Muse Realtime Avatar 和 Muse Realtime Voice 技术，允许用户与可自定义的拟人化数字形象进行实时互动。Meta 首席 AI 官 Alexandr Wang 发布了演示视频，并透露该功能后续将登陆 AI 眼镜及即将推出的 Muse Charm 硬件设备。
The Verge · AIAI 评分4747 Meta Muse AI 智能体上线语音模式与动态头像
Meta 宣布 Muse AI 智能体新增实时语音对话功能，并支持随语音同步动画的“表情”头像。该功能目前正面向美国 iOS 用户推送，用户可通过设置或指令调整语音语调。Meta 表示该功能即将登陆 AI 眼镜及 Muse Charm 设备。
TechCrunch · AIAI 评分6262 Apple 在 iOS 27.3 测试版中推出 Siri Recaps 等音频智能功能
Apple 在 iOS 27.3 和 watchOS 27.3 开发者测试版中推出了包括 Siri Recaps 在内的四项 Audio Intelligence 功能，支持 Apple Watch Series 12 用户检测重要声音、识别歌曲、回顾对话并自动记录笔记。
The Verge · AIAI 评分4242 Amazon Bee Frontier 持续录音引发信任危机，用户称其扭曲现实记忆
Amazon Bee Frontier 是一款持续录音的 AI 可穿戴设备，通过转录和总结对话生成待办事项及用户画像。用户 Victoria Song 在佩戴该设备接受心理治疗时，发现 AI 生成的摘要严重扭曲了对话语境，甚至将创伤经历概括为“从操纵性权力中夺回现实”。这种对记忆的 AI 化重构导致用户产生被“煤气灯效应”操控的感觉，最终其治疗师建议将其丢弃。
The Verge · AIAI 评分7070 Apple Intelligence 随 iOS 27.3 正式登陆中国
Apple 宣布 Apple Intelligence 将随 iOS 27.3 在中国上线，首批功能包括通知摘要、实时翻译、视觉智能等，但不包含新版 Siri。iOS 27.3 测试版将于 11 月 4 日开启，正式版预计 12 月发布，且苹果已与阿里巴巴合作，在部分体验中接入 Qwen 聊天机器人。
TechCrunch · AIAI 评分7070 Deepgram 收购 Pipecat 开发商 Daily 以强化语音 AI 基础设施
Deepgram 宣布收购开源语音 AI 框架 Pipecat 的开发商 Daily，双方未披露交易金额但承诺 Pipecat 将保持开源。Daily 此前已融资超 6200 万美元，而 Deepgram 今年早些时候刚完成 1.3 亿美元 C 轮融资成为独角兽。
TechCrunch · AIAI 评分4242 Granola 推出听写功能以竞争 Wispr
Granola 推出跨应用听写功能，用户按 Fn 键即可将语音转为格式化文本，该功能目前免费且不限字数。此功能旨在与 Wispr 竞争，后续将登陆 iOS 和 Windows 平台。
TechCrunch · AIAI 评分7272 Nvidia 发布 Nemotron 3.5 Transcribe 开源语音转写模型
Nvidia 发布 Nemotron 3.5 Transcribe，这是一款免费开源权重的语音转写模型，支持 40 种语言转写，能区分最多 8 位说话人并处理长达一小时的录音。该模型拥有 300 亿参数，可在 Jetson AGX Thor 到 Blackwell 数据中心芯片等单芯片上运行，同时 Nvidia 还发布了 Granary 开源语音数据集的 2.0 版本。
The Decoder精选AI 评分8282 Nvidia 发布开源 Nemotron 3.5 Transcribe 模型，集成转录、翻译与说话人识别功能
Nvidia 发布了开源语音识别模型 Nemotron 3.5 Transcribe，该模型在单张 GPU 上即可运行，支持 40 种语言转录、31 种语言与英语互译及 13 种语言说话人识别。
推荐理由：该模型在单卡上实现了转录、翻译与说话人识别的多任务集成，并提供了大规模开源数据集供垂直领域微调。
NVIDIA Blog精选AI 评分8080 NVIDIA RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 模型及 Agent 资源管理功能
NVIDIA 宣布 RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 开源语音模型及 Agent 资源管理功能。Nemotron 3.5 Transcribe 支持 40 种语言转录与翻译，在 Hugging Face Open ASR 榜单排名第一。NVIDIA App 新增资源管理功能，允许用户在前景应用与后台 Agent 之间分配 GPU 资源。
推荐理由：原文展示了端侧 AI 在资源调度与多模态模型上的具体进展，读者可据此评估本地部署智能体的可行性。
Ars Technica · AIAI 评分4242 Apple 发布 iOS 和 macOS 27.2，新增 Siri AI 功能及 Music 新 Logo
Apple 发布 iOS 和 macOS 27.2，带来新的 Siri AI 功能并更新 Music 应用 Logo。该版本允许用户限制 Siri 可直接访问的应用程序范围。
TechCrunch · AIAI 评分3535 盘点热门 AI 可穿戴设备与智能硬件
市场涌现多款 AI 可穿戴设备，涵盖 Bee、Friend、Limitless 等录音与陪伴型产品。Bee 售价 $49.99，Friend 售价 $129 并新增语音功能，Limitless 售价 $99 专注会议转录。Meta 推出 Muse Charm，Nirva 定价 $249 聚焦个人成长，Rabbit R1 售价 $199 为手持设备。
AWS Machine Learning Blog精选AI 评分6262 AWS 教程：在 Amazon SageMaker AI 上使用 Kokoro TTS 实现 AI 智能体低延迟语音流式传输
AWS 教程演示了如何在 Amazon SageMaker AI 上部署 Kokoro-82M 模型，通过双向 WebSocket 流式传输实现 AI 智能体低延迟语音合成。实测显示，逐句流式传输将首音频字节时间从 329.3 毫秒降至 156.7 毫秒，在部署环境中比批量处理快 2.4 至 3.5 倍。
推荐理由：原文给出了双向流式传输与音频编码的实测对比，读者可据此优化语音智能体的首包延迟。
AWS Machine Learning Blog精选AI 评分6262 Amazon Polly 生成式引擎重大升级：新增 14 种语音并支持印地语和芬兰语
Amazon Polly 生成式引擎完成重大升级，提供更具表现力和准确性的低延迟的语音输出，并新增 14 种跨 9 个地区的语音，其中印地语和芬兰语首次实现生成式语音通用可用。
推荐理由：此次升级在不改变 API 调用的前提下提升了语音自然度与准确性，并新增印地语和芬兰语支持，便于现有应用直接获得更优的语音体验。
AWS Machine Learning BlogAI 评分4242 Amazon SageMaker AI 如何停止猜测 TTS 自动扩缩容目标
在 Amazon SageMaker AI 上部署 Kokoro-82M 模型时，通过实测 Q_max 和 T_total 两个指标推导自动扩缩容阈值，替代传统猜测值。该方案利用 ConcurrentRequestsPerModel 原生指标，解决了 TTS 非自回归特性导致的默认监控失效问题，确保流量高峰下延迟符合 SLO。
The DecoderAI 评分6767 Elevenlabs 发布两款面向实时 AI 对话的语音转语音模型 Eleven Realtime
Elevenlabs 发布了两款名为 Eleven Realtime 的语音转语音模型，旨在支持实时 AI 对话。其中 Max 变体在 Big Bench Audio 基准测试中得分 98.8%，响应时间为 0.57 秒，Elevenlabs 称目前 Artificial Analysis 排行榜上没有模型能同时做到更快且更准确。
TechCrunch · AIAI 评分4242 Yelp 推出 Check for Me 功能，AI 智能体可代用户致电餐厅查询等位时间
Yelp 新增 Check for Me 功能，允许 AI 智能体代用户致电餐厅查询等位时间并发送短信结果。同时，Yelp AI 助手集成 OpenTable 实现应用内预订，并支持记忆偏好、设置自定义提醒及创建可分享列表。此外，面向商家的付费产品 Smart Lead Reply 上线，月费 30 美元，用于自动回复和资格预审。
The DecoderAI 评分7575 Mistral AI 发布 Voxtral 3 实时语音智能体模型家族
Mistral AI 发布 Voxtral 3，这是一个专为实时语音智能体设计的模型家族，包含语音转文本、文本转语音模型及基于 LiveKit 的 SDK。该系统将听、思考、工具调用和说话整合为单一流式管线，转录支持 50 多种语言，语音合成支持 35 多种语言及 50 种方言。
TechCrunch · AIAI 评分4545 Otter.ai 获 General Catalyst 3.2 亿美元增长基金投资
会议记录工具 Otter.ai 宣布从 General Catalyst 的 Customer Value Fund 获得 3.2 亿美元非稀释性融资。资金将用于企业增长、国际扩张及产品创新，该公司目前拥有 4000 万用户，年经常性收入已突破 1 亿美元。
AWS Machine Learning BlogAI 评分4040 Deepgram 如何利用 AWS Trainium 优化大规模语音 AI
Deepgram 将 Nova-3 语音转文本模型移植至 AWS Trainium2，用于离线批量工作负载。该配置在单台 EC2 trn2.3xlarge 实例上运行 8 个模型副本，相比原有计算方案，每美元处理的音频量提升 11% 至 70%。
Simon WillisonAI 评分4040 Simon Willison 使用 Claude Opus 5.5 Extra 构建基于麦克风音频通信的双人 Pong 游戏
Simon Willison 利用 Claude Opus 5.5 Extra 在 Claude Code 中构建了一款名为 Chirp Pong 的双人游戏。该游戏运行于静态 HTML，通过麦克风发送 chirp 音频信号实现两台手机间的数据传输。
Ars Technica · AIAI 评分4242 YouTube Music 推出生成式 AI 音乐标签功能
YouTube Music 正在推出新的生成式 AI 音乐标签功能，用于区分 AI 生成音乐与人类创作。该功能即将扩展至 YouTube 平台。
TechCrunch · AIAI 评分6060 YouTube Music 推出 AI 生成音乐标签系统
YouTube Music 宣布推出新的标签系统，旨在提高 AI 生成音乐的透明度，用户可在播放页识别 AI 参与创作的作品。该标签分为 Fully Gen AI、Partly Gen AI 和 No Gen AI 三类，并同步应用于 YouTube 主应用。此举发生在 AI 音乐泛滥背景下，YouTube 选择披露而非限制，与 Apple Music 和 Spotify 等平台的策略形成对比。
The Verge · AIAI 评分4242 Square 推出 Square Kiosk 自助点餐机，支持 AI 语音交互
Square 发布 Square Kiosk 自助点餐机，配备 21.5 英寸触摸屏及可实时理解菜单的 AI 语音层。该设备支持通过自然对话完成点餐、修改订单及支付，今日起以 1999 美元价格面向订阅用户发售，并收取 99 美元/月的软件费。
OpenAI News精选AI 评分6262 Higgsfield 接入 GPT-6 Astra 将 AI 视频时长扩展至 10 分钟以上
Higgsfield 宣布接入 GPT-6 Astra、GPT-Image-2.5 和 GPT-Live，将 AI 视频生成时长从 1 分钟扩展至 10 分钟以上。该更新同时引入了更精准的视觉控制和语音电影制作路径。
推荐理由：Higgsfield 接入 GPT-6 Astra 等模型，将视频时长从 1 分钟扩展至 10 分钟以上，并引入语音制作路径。
The Verge · AI精选AI 评分7878 Apple 发布首款家庭智能显示屏 HomeView
Apple 发布首款家庭智能显示屏 HomeView，售价 299 美元，将于 11 月 13 日在八个国家上市。该设备配备 7 英寸方形屏幕和 A18 芯片，内置 Siri AI，支持通过面部识别和个人上下文提供个性化服务，并作为 Apple Home 中枢控制 Matter 设备。
推荐理由：文章提供了 Apple HomeView 的硬件规格、价格及首发市场信息，并分析了其作为家庭智能中枢与个人设备切换的定位。
TechCrunch · AIAI 评分5353 前 Plaud 高管创办 Ambi 融资 2600 万美元，开发后台监听 AI 应用
前 Plaud 高管 Peter Mo 创办的 Ambi 完成 2600 万美元融资，由 Luminous Ventures 领投。该应用旨在通过全天候后台监听用户语音，在会议中实时提供建议并自动执行任务。
TechCrunch · AIAI 评分3838 高管认为语音 AI 尚未迎来 ChatGPT 时刻
PolyAI CTO Shawn Wen 指出，尽管全双工模型已发布，语音 AI 尚未迎来“ChatGPT 时刻”，核心挑战在于实现快速推理以维持自然对话。Otter CMO Alex Gay 强调，说话人识别与意图捕捉是自动化关键，且数字分身需具备情感表达。此外，ASR 模型常遗漏关键词导致上下文缺失，工具需向用户透明披露 AI 身份以建立信任。
TechCrunch · AIAI 评分4242 Apple 披露与个性化播客初创公司 Huxe 达成反向收购协议
Apple 向欧盟委员会披露，已与个性化音频初创公司 Huxe 达成协议，聘请其员工并获取非独占知识产权许可。Huxe 由前 NotebookLM 团队创立，已于 5 月 21 日停止服务并删除用户数据。
Simon WillisonAI 评分7070 Simon Willison 使用 Codex 语音模式构建博客新功能
Simon Willison 使用 ChatGPT 桌面版 Codex 标签页的语音对话模式，在烹饪时通过语音指令构建了博客的 Newsletter 索引页面。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar 功能
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过原生结合低延迟流式视频与实时对话，为 Gemini 企业版引入具备视觉存在的多模态交互能力。
推荐理由：原文展示了低延迟视频流与实时对话的原生结合，并说明了异步工具调用与多语言唇形同步机制，为评估企业级多模态交互体验提供了具体技术细节。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持通过自然语言提示创建自定义角色声音并逐行控制表演细节。Gemini 3.8 Flash TTS 在 Hume AI Voice Design Benchmark 中位列第一，支持超过 100 种语言，并已在 Google AI Studio 和 Gemini API 上线。
推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了多语言角色声音生成与逐行表演控制的具体能力细节。