ASTRO 开源镜像发布：可在 Raspberry Pi 5 离线运行的自改进语音 AI 智能体
mobium-app 发布 ASTRO 公共仓库镜像，这是一个 open-core 语音 AI 智能体，可在 Raspberry Pi 5 搭配 Hailo-10H NPU 上离线运行。
#语音
#语音
今日 4 条Hacker News：AI 热帖AI 评分5252 Hacker News：AI 热帖AI 评分2929 AI 或可通过语音录音检测糖尿病
一项研究表明，AI 可通过分析语音录音检测 2 型糖尿病。声音嘶哑和呼吸控制能力下降与该疾病存在关联。
IT之家（RSS）AI 评分6969 OpenAI Codex CLI 升级支持语音对话与多智能体任务视图
OpenAI 在 DevDay 2026 上宣布 Codex CLI 升级，新增语音对话，用户可直接用语音启动并引导任务。新版 /agents 视图支持把工作分配给多个智能体并跟踪任务进度，同时改进提示词编辑、会话恢复、内置工作树和终端界面。本次更新适用于所有套餐。
Hacker News：AI 热帖AI 评分5555 Simple AI 发布语音对话轮次感知模型 Tango
Simple AI 发布语音对话轮次感知模型 Tango，直接从音频判断用户是否说完或是否打断，不再让转录文本处于关键响应路径。Tango 已在 Simple 生产流量中上线；在真实电话音频上，其中止轮次决策的中位数比传统语音活动检测早 300ms。
🚨 AI News | TestingCatalog@testingcatalogAI 评分6767
The Decoder精选AI 评分8181 ElevenLabs 发布 Eleven v4 语音模型及低延迟 Turbo 版本
ElevenLabs 发布 Eleven v4 语音模型，并推出面向实时语音智能体的 v4 Turbo；标准版单次可处理 10,000 字符，支持 90 多种语言，Turbo 约 150 毫秒开始发声。
推荐理由：文章整理了 Eleven v4 与 Turbo 的指令跟随、延迟、语言支持、克隆能力和临时定价，便于对比现有语音生成方案。
Hacker News：AI 热帖AI 评分6767 SkillsValidator：如何用 AI 构建语音技能面试应用
作者构建了 SkillsValidator，一个通过实时语音对话考核技能并生成评分报告的 AI 面试应用。面试智能体使用 OpenAI，语音转文字和文字转语音使用 Azure Speech，技能通过 JSON 文件配置，代码开源在 github.com/hugoj0s3/SkillsValidator。
Hacker News：AI 热帖AI 评分3535 AI 如何改变法律接待专员的角色
AI 正接管律所接待中重复性的电话接听、筛选、排期、CRM 录入和跟进等工作，法律接待专员因此从信息收集者转向客户体验管理者。Lexidesk 等 AI 电话接待工具可全天候应答并生成摘要，但法律判断、复杂高风险情形、关系建立与合规责任仍需人工承担。
Hacker News：AI 热帖AI 评分5252 Voice Cursor 在 Mac 推出跨应用实时语音智能体 Action Mode Beta
Voice Cursor 推出 Action Mode Beta，让用户用自然语音在 Mac 多个应用中查找文件、处理 Gmail、检索 Slack、安排 Google Calendar 会议并发送邮件。该功能支持先逐步审批再执行，也可开启 auto-execute 自动完成已批准工作流；页面同时提供 Discord 社区和设置指南。
IT之家（RSS）AI 评分6767 谷歌开始停用安卓端 Google Assistant，Gemini 全面接管手机语音助手
谷歌已开始在安卓手机端停用 Google Assistant，并由 Gemini 全面取代；部分用户发现 Gemini 应用账户菜单中的“切换到 Google Assistant”选项消失。此次变化影响手机及智能手表、Android Auto、耳机等手机配件，智能音箱和智能显示器仍支持 Google Assistant。
IT之家（RSS）AI 评分7070 浙江乐清警方破获 AI 语音网贷诈骗案，两个月上千人被骗、涉案流水超千万元
浙江乐清警方破获一起利用 AI 语音系统实施网贷诈骗的案件，两个月内上千人受骗，30 名嫌疑人已被抓获，涉案流水超千万元。团伙用 AI 机器人导入手机号库批量拨号，单日呼出可超 20 万次，再按关键词将用户分为 A 至 F 等级，把有意向者转接真人话务员。警方已冻结涉案资金 100 余万元、查缴作案工具百余件，案件仍在进一步侦办中。
TechCrunch · AIAI 评分4747 Modulate 融资 2500 万美元，用于语音模型与分析套件
波士顿语音智能初创公司 Modulate 完成 2500 万美元融资，由 Future Ventures 领投，Hyperplane 和 Lakestar 参投。其平台运行 100 多个小模型，提供转写、情感分析、deepfake 与 AI 音乐检测及语音智能体合规策略执行。PitchBook 数据显示，本轮前 Modulate 累计融资 4100 万美元，估值 1.7 亿美元。
TechCrunch · AIAI 评分4848 祖父遭深伪语音诈骗后，这位创始人创立 DetectifAI 推出端侧深伪语音检测
DetectifAI 创始人因祖父被 AI 深伪语音诈骗，打造可直接内置于手机操作系统的轻量 AI 检测模型，在通话中本地判断语音是否为 AI 生成。FBI 数据显示去年美国人因 AI 驱动诈骗损失近 9 亿美元，较 2024 年增长 24%。该公司已实现早期收入，每月为印度金融机构处理超 10 万通电话，并将参加 TechCrunch Disrupt 的 Startup Battlefield。
Runway@runwaymlAI 评分4747ElevenLabs v4 现已登陆 Runway。v4 模型擅长旁白和角色对话，拥有比以往更强的表现力和更自然的语调。 今日起与全球最出色的图像和视频模型一同可用。点击下方链接立即体验。
Manus@ManusAIAI 评分6060
AWS Machine Learning BlogAI 评分4242 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（第 1 部分）
AWS 教程展示如何在 Amazon SageMaker AI 上通过 vLLM-Omni v1.5 DLC 部署 Qwen3-TTS，实现文本输入与 24 kHz PCM 音频块在同一 HTTP/2 WebSocket 连接上双向流式传输。
OpenAI NewsAI 评分2626 Proaction 借助 Codex 推动销售额增长 60%，并节省 75 小时以上
车队管理软件公司 Proaction 使用 Codex、GPT-Live-1 和 GPT-6 Astra 后，销售额增长 60%，每月节省工程工时 40–60 小时、创始人工时 33 小时。
AWS Machine Learning BlogAI 评分4747 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音
Amazon SageMaker JumpStart 现可部署公开的 Qwen3-TTS-12Hz-1.7B-Base 到全托管实时推理端点，用于几秒参考音频的声音克隆。
OpenAI NewsAI 评分3939 Lowe’s 借助 OpenAI 为数百万家装问题提供解答
Lowe’s 基于 OpenAI 模型打造面向顾客的 Mylow 与面向员工的 Mylow Companion，自 2025 年春季上线以来已解答数百万个家装问题。Mylow Companion 已覆盖全美 50 个州约 1,700 家门店的约 300,000 名员工，近半数交互通过语音完成。使用 Mylow 的顾客转化率是未使用时的 3 倍。
Google DeepMind精选AI 评分7171 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，为 Gemini 3.8 Live 增加近实时视频数字人形象，并已在 Gemini Enterprise 中可用。
推荐理由：官方说明了实时数字人、异步工具调用、97 种语言和企业版可用性，便于评估其在客服与交互式引导中的接入方式。
AWS Machine Learning BlogAI 评分4242 在 SageMaker AI 上使用 WhisperX 实现带说话人标签的语音转录
AWS 推出 WhisperX 深度学习容器，可在 Amazon SageMaker AI 上部署带逐词时间戳和说话人标签的语音转录服务。该容器基于 OpenAI Whisper，集成 wav2vec2 强制对齐与说话人分离，支持 json、srt、vtt 等输出格式，无需自建镜像。实时端点适用于 60 秒内的短音频，异步端点适用于长音频与批量任务。
Latent SpaceAI 评分2727 Meta Connect 2026：Muse 眼镜、语音、视频与 Charm
Meta 在 Connect 2026 上展示个人智能体 Muse 的语音、实时视频、Muse Mail、Mac 电脑操作和 1,500+ 应用连接器，并宣布其将登陆全部 Meta 眼镜。
Simon WillisonAI 评分6969 Simon Willison 推出 Gemini 3.8 TTS Playground，测试 Google 新 TTS API
Simon Willison 推出自带 API key 的 Gemini 3.8 TTS Playground，用于测试 Google 当天发布的 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts。
Google DeepMind精选AI 评分8181 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 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，分别面向深度角色创作和高容量、低成本规模化场景。
推荐理由：官方完整说明两款 TTS 模型的定位、定制能力、语言覆盖、评测表现和可用入口，便于判断适用场景。
OpenAI NewsAI 评分2424 Ringg 的 AI 智能体借助 OpenAI 解决最高 65% 的客户来电
Ringg 基于 GPT-5.6 打造的 AI 智能体可解决最高 65% 的客户来电。这些智能体支持语音、聊天、WhatsApp 和网页等多语言场景，成本较 GPT-4.1 降低 90%。
公众号：宝玉AIAI 评分6767 用 GPT 6 Astra 与 Codex 制作 3D 版《桃花源记》并附可复用提示词
作者用 ChatGPT Pro 中的 GPT 6 Astra 将《桃花源记》制作成可交互的 3D 网页，成品按全文拆成 20 幕，支持连贯体验、逐章慢读和原文白话切换，地址为 https://s.baoyu.io/files/peach-blossom-land-v2/index.html。
SpaceXAI@SpaceXAIAI 评分4444推出 Grok Voice Transcribe 2.0。它是世界上最准确的语音转录模型。
elsewhere：文章（RSS）AI 评分4343 我在 AI 艺术黑客松用 subagent 改编《The Album》做实时互动游戏，却没能成功开屏
作者在超级发电站主办的 AI 艺术黑客松上，基于麦浚龙与谢安琪的概念专辑《The Album》制作了一款 2.5d 等距视角实时互动游戏 demo。游戏由剧本、独立 subagent 演员、导演程序和预制美术资产构成，玩家可自由输入与角色互动并推动剧情走向不同方向。受 token、服务器限制，demo 目前仅能有限开放，需邀请码体验。
- SpaceXAI@SpaceXAIAI 评分5252引用fal@fal
Grok Voice is live on fal. The latest speech model from @SpaceXAI that answers in 0.70 seconds and finishes its tool calls before the sentence ends. Transcription with word-level timestamps, text to speech in 30+ voices across 25+ languages, and cloning from two minutes of audio. Every voice in this video is from Grok Voice.
Latent SpaceAI 评分2727 TypeSafe 推出 Jev「System One Model」：仅做决策、分类、路由与评分，比小型前沿 LLM 快逾 100 倍、成本低逾 200 倍
TypeSafe 发布基于 RLCD 训练的 Jev 决策模型，专为分类、判断、路由与评分等结构化输出设计，不生成自由文本。官方称其速度提升 20–200 倍、成本降低 40–400 倍且输出 token 免费，可在生产系统中替代 LLM 承担结构化分类器、裁判与路由策略任务。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音对话模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款近实时语音对话模型，分别面向规模化成本效率与高复杂度多步推理任务。
推荐理由：官方同时给出两款实时语音模型的定位、基准成绩与 API、企业版和消费端开放路径，便于判断语音智能体落地选择。
OpenAI News精选AI 评分7171 OpenAI 在 API 中推出 GPT-Live-1，支持全双工语音对话
OpenAI 在 API 中推出 GPT-Live-1，面向更自然的语音体验。该模型支持全双工语音对话，并增强指令遵循、自定义声音和电话集成能力。
推荐理由：官方说明了 GPT-Live-1 的全双工语音、指令遵循、自定义声音和电话能力，便于判断 API 语音应用的接入方向。
Hugging Face Blog精选AI 评分6262 Open ASR Leaderboard 新增印地语和印度英语评测集 Monsoon
Voice Arena 与 Hugging Face 合作，为 Open ASR Leaderboard 新增 Monsoon en-IN 和 Monsoon hi-IN 两套评测，覆盖印度英语和印地语。
推荐理由：文章详细说明了印地语和印度英语评测集的说话人覆盖、元数据设计与计分方式，可帮助理解 ASR 榜单如何暴露群体差异。
Google DeepMind精选AI 评分8080 Google DeepMind 发布语音转文字模型 Gemini 3.5 Transcribe
Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文字模型，并通过 Google AI Studio 的 Gemini API 和 Gemini Enterprise Agent Platform 向开发者开放公开预览。
推荐理由：文章给出实时与预录制两种 API、WER、语言支持和落地入口，便于开发者判断语音智能体与转写管线的接入方式。
- SpaceXAI@SpaceXAIAI 评分4545
在 LiveKit 中使用 Grok Voice 模型构建实用的语音智能体，全面支持 ZDR
引用LiveKit@livekitWe built a patient intake agent with @SpaceXAI that runs end to end on Grok voice models. Grok STT → Grok 4.3 → Grok TTS, cascaded through LiveKit Inference. Three model strings in one AgentSession. No separate API key, no separate billing, ZDR on every hop. Talk to it: https://xai.livekit.space
- SpaceXAI@SpaceXAIAI 评分3838
Mistral AIAI 评分5959 Mistral 与 HUMAIN 达成数亿欧元战略合作，在沙特及中东推进主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发和 AI 解决方案在沙特及中东地区的部署，合作规模达数亿欧元。双方将推进先进 AI 模型开发与本地化，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型。Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特制定联合市场策略，面向受监管行业提供 AI 解决方案。
Hugging Face Blog精选AI 评分6767 Hugging Face 研究提出三类测试，量化语音识别模型的基准优化现象
Hugging Face 发布研究，用参考文本分歧、遮蔽实体检索和拼写切换三类探针测试 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转录中的错误或缺失内容。
推荐理由：研究用三类探针把语音识别模型迎合公开基准的行为量化出来，为选型时超越单一 WER 和使用留出集提供依据。
Hugging Face Blog精选AI 评分7272 NVIDIA Magpie TTS Multilingual 发布开放权重版本，支持12种语言与自托管低延迟语音智能体
NVIDIA 在 Hugging Face 发布 Magpie TTS Multilingual 开放权重模型，参数规模364M，支持12种语言，并提供 NVIDIA NIM 生产推理容器。
推荐理由：文章给出12种语言、364M参数和多GPU延迟数据，可帮助评估自建低延迟语音智能体的部署方案。
Hugging Face BlogAI 评分5252 Hugging Face 介绍 Real World VoiceEQ：衡量语音 AI 的人类体验质量
Hugging Face 发布 Real World VoiceEQ 语音 AI 基准，覆盖 ASR、TTS、Speech-to-Speech 和 Speech Understanding，评测 40 多个模型、15+ 维度和 60 多项指标。