Gemini Call for Me 或将支持给亲友打电话留言
Google 可能将 Gemini 的“Call for Me”AI 功能从商务通话扩展到亲友通话。Android Authority 在 APK 拆解中发现“Gemini Calling”引导页，示例包括“打电话给妈妈说我晚到 15 分钟”和“打电话问 John 是否来吃晚饭”，功能预计仍限于类似短信的简短通话。
#语音
#语音
今日 0 条The Verge · AIAI 评分2222 IT之家AI 评分3131 谷歌 Call for Me 功能有望升级：Gemini 将支持代用户拨打亲友私人电话
谷歌 Pixel 11 系列上的 Call for Me 功能有望扩展至私人通话场景，Gemini 可代用户拨打亲友电话，执行转达信息或简单问询等任务。Android Authority 在部分新版更新内容中发现早期线索，界面示例出现"妈妈"和"约翰"，并显示用户可选择拒绝接收 AI 代打的电话。该功能上线时间尚未确定，谷歌是否真正推出也未知。
Show HNAI 评分2222 Show HN：用动画网页致敬 Steve Jobs 的《Crazy Ones》广告
Eyad Nour 在 Steve Jobs 逝世周年（10 月 5 日）发布了一个独立动画网页，重现苹果 1997 年《Crazy Ones》广告，使用 Jobs 本人 1997 年录制的旁白原声。动画、音效与代码由 Claude Opus 5.5 完成，画面由 GPT-Image-2.5 绘制，原创音乐与音效由 ElevenLabs 生成，作品与 Apple 无关联。
Show HN精选AI 评分7171 Parakeetogo：可在 CPU 上运行的便携 ASR 二进制，速度约为 Photon 的 2 倍
作者发布 Parakeetogo，一个面向 moondream/parakeet-redux（parakeet-tdt-0.6b-v3 的 1.58-bit 三值版本）的独立 C++ 推理引擎，支持 x86 与 ARM CPU，单个二进制完成音频输入到文本输出，无需 Python 和运行时下载。
推荐理由：作者给出与 Photon 同机对比的实测数据与跨架构一致性验证，可据此判断 CPU 端 ASR 部署的可行边界。
Show HN精选AI 评分5858 EarWing：可 3D 打印的开源转录硬件设备
作者发布开源硬件转录设备 EarWing，可自行 3D 打印并组装，使用 ESP32 开发板和 4 个麦克风做降噪。转录与摘要生成在浏览器端完成，转录用 Parakeet，要点、开放问题和行动项提取用 LFM 2.6B，代码已开源于 GitHub，作者称软件目前较粗糙但在 Chrome 中运行良好。
推荐理由：开源硬件方案把转录设备的成本结构摊开，读者可据此判断自建替代订阅的可行边界。
IT之家AI 评分2222 阿里千问 AI 耳夹式耳机上架预约：Bose 调音，支持 89 种语言 AI 翻译
阿里千问 AI 耳夹式耳机已上架电商平台开启预约，价格暂未公布。该耳机由 Bose 调音，支持 89 种语言 AI 翻译、92 语种转写纪要，搭载 12 磁铁双环聚磁单元与 LHDC 5.0，续航 9 小时、配合充电仓 40 小时。
IT之家AI 评分1212 倍思 MC2 NC 降噪耳夹耳机发售：12mm 动圈、-50dB 降噪，783 元（国补后 598 元）
倍思 MC2 NC 降噪耳夹耳机已在京东发售，定价 783 元，部分地区国补后低至 598 元。该耳机内置 12mm 碳纤维三磁路动圈，支持 LDAC 与 Hi-Res Wireless 认证，结合 ANC 芯片实现 -50dB 降噪深度，单耳重 5.9g，搭配充电盒续航至高 60 小时。产品还接入豆包、通义千问及 DeepSeek 模型，提供 AI 录音转写、实时助答与同声传译功能。
开源中国AI 评分1818 SmartCall v1.0.7 发布，新增模型以及音色管理
SmartCall v1.0.7 发布，新增模型以及音色管理。SmartCall 是基于 AI 大模型 + Asterisk 通信引擎构建的智能客服呼叫中心系统，融合 AI 语音机器人、智能 IVR 流程编排、端到端双工对话模型、实时语音识别（ASR）、语音合成（TTS）与大模型意图识别等能力，提供从呼入智能应答到智能外呼的全链路 AI 客服解决方案。
IT之家AI 评分1818 圆刚推出工业级 AI 降噪麦克风 AIClear Mic (A113)，工作温度 -25℃ 至 +60℃
圆刚 (AVerMedia) 推出面向工业应用的 AIClear Mic (A113) 麦克风，工作温度范围 -25℃ 至 +60℃，存放温度 -40℃ 至 +85℃。该麦克风支持 AI 降噪，可为边缘应用清除环境噪声，使语音识别准确率提升 60% 以上，并提升声纹认证准确性。产品支持免驱动即插即用、USB-C 一线连，并提供一对 3.5mm 音频插孔。
Show HN精选AI 评分7171 Recly 发布：把手表变成 Plaud 式 AI 录音笔
Recly 是一款开源（AGPL-3.0-or-later）应用，已上架 App Store 和 Google Play，可把 Galaxy Watch 或 Apple Watch 变成录音设备，双击手表按键即可开始录音。
推荐理由：开源方案把智能手表变成录音笔，转录在端侧完成，笔记交给用户已有的 AI 智能体处理。
Show HNAI 评分3838 B1 Sprechen：用 AI 模拟 Goethe 和 telc 德语 B1 口语考试
B1 Sprechen（b1sprechen.com）上线 AI 口语考试模拟，可按 Goethe-Zertifikat B1 或 telc Deutsch B1 的题型完整演练，由两名 AI 考官和一名 AI 考试搭档配合，一次性付费、无订阅。
Show HNAI 评分3838 Mistis：面向通话中实时身份验证的解耦端到端加密协议
Mistis 发布了一套解耦的端到端加密认证协议，可在任意通话进行中让双方按需发起身份验证挑战，用于防范实时音频深度伪造带来的身份冒用。该协议借鉴 3DS 信用卡验证流程，基于密码学凭证管理，加密运算与判定均在客户端完成，服务器仅转发消息且不处理或存储任何 PII。首个用例面向运营商普通手机通话，需安装移动 App 并预先完成配对，目前开放有限测试名额。
极客公园精选AI 评分6868 Tavus 发布 Griffin 人类交互模型，真人测试识别率从 2.4% 升至 48%
美国 AI 视频公司 Tavus 于 10 月 1 日发布 Griffin 模型，定义为全球首个「人类交互模型」（HIM）。Tavus 公布的一分钟视频通话测试中，54 名参与者有 26 人认为自己是在和真人聊天，比例接近 48%，而上一代系统在同样测试中 41 人里只骗过 1 个，比例 2.4%。
推荐理由：通过 2.4% 到 48% 的对比和架构拆解，读者能看清端到端全双工数字人相比级联方案改变了什么。
Show HNAI 评分4040 Show HN：盲听测试——你能听出 Parseval 的音频水印吗？
Parseval 推出音频水印工具，可在音乐母带中嵌入标识符，用于追踪曲目在流媒体和二次上传后的使用情况。该水印设计可抵抗 AAC、MP3 等流媒体编解码和日常剪辑，每次发行拥有独立标识符，从短片段即可读取。团队在 Show HN 发起盲听测试，邀请用户判断能否听出加水印后的音频差异。
The DecoderAI 评分6565 Tavus 发布 Griffin 视频对话模型，48% 测试者误认其为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。
TechCrunch · AIAI 评分6060 Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重建为面向音乐专业人士的 AI 工具公司。两年前他参与了对这家图像生成初创的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一起推进新方向。
The DecoderAI 评分5858 Suno 推出 Speech 功能，可生成带配乐的语音音频
AI 音乐生成器 Suno 新增名为 Speech 的功能，可将口播文本与匹配的背景音乐合成为一条音轨。用户输入想法或文字并描述想要的音色和音乐风格，模型即生成人声与声音。
The Verge · AIAI 评分5555 Suno 上线语音生成功能，可同时生成人声与配乐
AI 音乐生成平台 Suno 推出 Speech 功能，可根据脚本或提示词生成语音，目前已在网页端和移动端开启公开测试。该功能支持同时生成配音与背景音乐，也可通过开关只保留纯语音，最长时长约 8 分钟，提供 Simple 和 Advanced 两种模式，后者可自定义脚本并调整 AI 声音的性别、语音风格和生成多样性。
The DecoderAI 评分6666 微软 AI 发布面向语音智能体的转写与语音合成模型
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming，称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首个部分结果延迟略超 100 毫秒，年底前音频价格为每小时 0.54 美元。
InfoQ中文精选AI 评分5858 火山引擎发布全新语音内容编辑模型
火山引擎多媒体实验室发布指令驱动的语音内容编辑模型，用户用自然语言说明要改什么，模型在保留原说话人音色、韵律和上下文的前提下局部再生成语音。模型先把原音频转为离散音频 Token，与编辑指令一起输入，经 CoT 式语义规划后再生成音频 Token 并由声码器还原波形，训练使用原音频、指令、修改后语义和语音组成的成对数据。
推荐理由：火山引擎披露语音内容编辑模型的指令驱动方案与两段口播纠错演示，可观察局部改词如何保留原音色。
爱范儿AI 评分3838 苹果 10 月 13 日将发布 Siri AI 智能家居中枢 J490 及新款 HomePod mini、Apple TV
苹果计划 10 月 13 日推出由 Siri AI 加持的三款智能家居产品：代号 J490 的智能家居中枢、新一代 HomePod mini 和更新版 Apple TV。
InfoQ中文精选AI 评分6262 openJiuwen 发布 WorkSwarm 全双工多模态能力，支持边聊边调用 Agent
openJiuwen 发布 WorkSwarm 全双工多模态能力，让实时音视频对话与 Core Agent 后台执行并行：用户可随时插话打断播报，复杂任务在后台继续搜索、调用工具并生成文件。
推荐理由：openJiuwen 把实时音视频对话与后台 Core Agent 执行拆成两条并行路径，读者可据此判断边聊边办事的交互如何落地。
开源中国AI 评分2222 AIGCPanel v2.5.0 支持豆包语音音色，数字人直播音色模板管理
AIGCPanel v2.5.0 新增豆包语音音色支持，云端语音模型只需填入 API Key 即可使用。该版本还将数字人与直播的音色分别收进各自独立的音色库，方便模板管理。AIGCPanel 是一款支持 Windows / macOS / Linux 的一站式 AI 数字人桌面应用，内置数字人合成、语音合成与克隆、工具箱和智能直播。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
Latent SpaceAI 评分7474 Meta Connect 2026：Muse 智能体、AI 眼镜与 Charm 硬件发布
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心，发布眼镜等新硬件并预告但未发布新前沿模型。Muse 新增语音与实时视频能力，将登陆所有 Meta 眼镜，每个 Muse 拥有独立邮箱地址，Mac 版支持 computer use，连接器平台覆盖 1500+ 应用。
Simon WillisonAI 评分6666 Simon Willison 用 Gemini 3.8 TTS 搭建语音合成 Playground
Simon Willison 用 GPT-6 Astra 开发了一个 Gemini 3.8 TTS Playground，可输入 Gemini API key 测试单人或多人对话语音合成，并把配置保存为可分享的 URL。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演指导，后者面向高并发配音和语音智能体。
推荐理由：两款 TTS 模型给出从 30 种预设到可自定义音色的能力变化，并列出基准排名与开放入口。
OpenAI NewsAI 评分2020 Ringg 用 OpenAI 模型让 AI 智能体解决高达 65% 的客户来电
Ringg 基于 GPT-5.6 打造的多语言 AI 智能体可解决高达 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道，成本较 GPT-4.1 降低 90%。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本场景与高复杂度任务。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力水位。
OpenAI News精选AI 评分6868 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话。该模型具备更强的指令遵循能力，支持自定义音色和电话通信（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，开发者可据此判断语音应用的接入方式。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、经过格式化的文本。
推荐理由：官方给出 WER、延迟与多语言等量化指标，并说明实时与录音两条 API 路径的接入方式。
OpenAI NewsAI 评分4242 OpenAI 如何在六个月内为 GPT-Live 构建实时语音 AI 系统
OpenAI 披露其为 GPT-Live 构建实时语音系统的过程，该系统采用无轮次（turnless）语音模型与低延迟架构，实现与 AI 的连续语音交互，让对话更快、更自然。
OpenAI NewsAI 评分2222 avatarin 如何用 GPT-Realtime 打造 24/7 零售智能体
avatarin 基于 OpenAI 的 GPT-Realtime 为山田电机（Yamada Denki）顾客提供 24/7 多语言支持。两周内有 30,000 人使用该智能体，92% 的问卷反馈为正面评价。
OpenAI NewsAI 评分4242 OpenAI 推出企业级 AI 智能体平台 OpenAI Presence
OpenAI 推出企业级 AI 智能体平台 OpenAI Presence，可部署可信的语音与聊天智能体，用于客户及内部工作流。该平台定位为经过验证的企业 AI 智能体平台，帮助组织落地相关智能体应用。
OpenAI NewsAI 评分2020 Cars24 如何用 OpenAI 扩展对话规模并加速构建
Cars24 借助 OpenAI 的语音与聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队，以加快构建速度。
OpenAI News精选AI 评分6060 OpenAI 发布新一代语音模型 GPT-Live
OpenAI 发布新一代语音模型 GPT-Live，用于实现更自然的人机交互，目前已接入 ChatGPT Voice。
推荐理由：OpenAI 发布新一代语音模型并接入 ChatGPT Voice，读者可了解语音交互能力的一次代际更新。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70+ 语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方给出 70+ 语言实时语音翻译的连续生成机制与多产品落地节奏，可据此判断实时翻译的可用边界。
OpenAI NewsAI 评分2222 Parloa 借助 OpenAI 模型打造可规模化语音客服智能体
Parloa 利用 OpenAI 模型构建可规模化的语音驱动 AI 客服智能体，让企业能够设计、模拟并部署可靠的实时交互。
OpenAI News精选AI 评分5757 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
推荐理由：OpenAI 在 API 中上线新的实时语音模型，读者可据此了解语音能力在推理、翻译与转写上的变化。
OpenAI NewsAI 评分2222 Uber 用 OpenAI 驱动 AI 助手与语音功能，帮司机多赚钱、乘客更快叫车
Uber 正用 OpenAI 驱动 AI 助手和语音功能，帮助司机更聪明地赚钱、乘客更快叫车，服务覆盖全球实时交易市场。