ElevenLabs 完成 $300 million 員工股份要約交易,估值升至 $22 billion
ElevenLabs 完成 $300 million 員工股份要約交易,公司估值達 $22 billion,為其 2 月 Series D 時估值的兩倍。公司稱,企業業務現佔收入 55%;ElevenAgents 每週處理逾 15 million 次對話,較 2 月增加 3x,同期 ARR 增長逾 3x。
ElevenLabs 完成 $300 million 員工股份要約交易,公司估值達 $22 billion,為其 2 月 Series D 時估值的兩倍。公司稱,企業業務現佔收入 55%;ElevenAgents 每週處理逾 15 million 次對話,較 2 月增加 3x,同期 ARR 增長逾 3x。
ElevenLabs 發佈 Eleven v4 文字轉語音模型及低延遲版本 Eleven v4 Turbo,兩者均支援 90 多種語言。Eleven v4 可按語氣、節奏、情緒、角色和上下文生成語音,並改善多説話者對話、聲音克隆及跨語言口音保留。Turbo 的中位推理延遲約 100ms,兩款模型現已可透過 ElevenAgents、ElevenCreative 和 ElevenAPI 使用。
Suno 開放 Speech beta,這款音訊模型可將生成語音與音樂整合為同一音軌。用戶輸入構想、詩作或文字,再描述所需的聲線與音樂風格,即可創作配有原創背景音樂的口述音訊。Speech 過去一個月曾由小羣用戶測試,現向所有人開放 beta;Suno 將繼續根據社羣回饋改進。
小米發佈 MiMo-V2.5-TTS 系列語音合成模型,涵蓋預設聲線、按文字描述設計新聲線,以及以參考音訊複製聲音三種用途。系列支援自然語言風格指令、行內音訊標籤和劇本式結構輸入;聲音複製只需短音訊樣本,無須額外訓練、標註或微調。三款模型限時免費開放於 Xiaomi MiMo API 平台,整合技能已開源於 GitHub 倉庫 XiaomiMiMo/MiMo-Skills。
小米 MiMo 發佈開源語音辨識模型 MiMo-V2.5-ASR,支援中英雙語、中文方言、語碼轉換、歌詞辨識、噪音環境及多説話者場景。頁面列出多項公開及內部基準測試結果,MiMo-V2.5-ASR 在 Open ASR Leaderboard 的英文辨識平均 WER 為 5.73(WER 越低越好)。模型採用大規模中期訓練、高質素監督式微調(SFT)及強化學習(RL)算法。
Baseten 已在 Hugging Face 和 Baseten Model Library 提供 NVIDIA Nemotron 3 Diarization 的批次、串流及即時説話者標記轉錄預設。
NAVER Cloud 的 Sommelier 論文於 ACL 2026 發表,提出供全雙工語音語言模型使用的多輪音訊預處理流程。Sommelier 開源流程包含説話者及發言時間標記、重疊語音還原,以及多個語音辨識模型輸出的交叉校驗。團隊以 83 小時對話資料進一步訓練全雙工 Moshi,插話內容回應評分由 0.765 升至 3.684,短回應頻率由 0.001 升至 0.052。
字節 Seed 發佈音訊創作模型 Seed Audio 1.0,以統一框架生成對白、音效及環境聲,並支援按時間線控制聲音進場。模型支援 100ms 間隔精度的時間控制、參考音訊延展生成及 20+ 種語言;單次可生成約 2 分鐘音訊,並可繼續延長。Seed Audio 1.0 已在火山方舟體驗中心上線。
阿里千問 AI 耳夾式耳機已在電商平台上架並開放預約,售價暫未公佈。耳機由 Bose 調音,耳機續航 9 小時,配合充電盒可達 40 小時。它支援 89 種語言 AI 翻譯,並提供錄音即時轉寫、離線本地錄音及 92 種語言轉寫紀要。
倍思旗下 MC2 NC 降噪耳夾耳機已在京東發售,定價 783 元,部分地區國補後低至 598 元。耳機配備 12mm 碳纖維三磁路動圈,降噪深度達 -50dB,配合充電盒續航最高 60 小時(關閉降噪)。另接入豆包、通義千問及 DeepSeek 模型,提供 AI 錄音轉寫、即時助答及同聲傳譯功能。
狼蛛 A8 鏤空電競頭戴式耳機已在京東上架,首發價由 299.2 元起,機身重約 235g±5g。耳機配備 40mm PET 複合振膜單元、C-Media 聲卡晶片及可插拔 360° 全向 AI 降噪麥克風。耳機支援 2.4GHz、USB-C、藍牙及 USB 聲卡四模連接;關閉氛圍燈並以 30%-50% 音量使用時,內置 500mAh 電池續航約 40 小時。
圓剛推出面向工業應用的 AIClear Mic (A113) AI 降噪麥克風,工作温度範圍為 -25℃ 至 +60℃。其降噪功能可清除音訊中的環境噪音,令語音識別準確率提升 60% 以上,亦可提高聲紋認證的身份驗證準確性。麥克風支援免驅動即插即用及 USB-C 一線連,並提供一對 3.5mm 音訊插孔;存放温度範圍為 -40℃ 至 +85℃。
Qwen Audio 首頁整理 Qwen-Audio 系列的語音理解、生成及互動研究,連結各項目示範與研究資料。重點項目為 Qwen-Audio-3.1-ASR 和 Qwen-Audio-3.1-Realtime,涵蓋多語言 ASR、説話者分離、語音推理及自然語音互動;3.0 ASR、TTS 項目頁仍保留,模型可用情況與授權須查閲各自頁面。
Suno 推出 Speech 語音功能,可端到端單次生成融合語音朗讀與原創 BGM 的完整音軌。該功能已在 Suno 內向所有人開放公測,使用者可輸入靈感、詩或文字,並描述音色與音樂風格。Beta 版可能出現口音漂移,以及語調和情感停頓過於戲劇化、節奏偏慢等問題。
Suno 新增 Speech 功能,可將語音與相配背景音樂一併生成為單一音軌。用户可輸入構想或文字,並描述所需聲線及音樂風格;Suno 稱功能可用於詩歌、冥想和睡前故事。測試版仍有問題,例如英國口音有時聽來像澳洲口音;Suno 未説明模型訓練方式,唱片公司已就版權問題起訴 Suno,慕尼黑法院近期亦裁定 Suno 不能以合理使用為由,為使用受版權保護數據辯護。
LlamaIndex 本期通訊彙整多項產品與工程更新,包括 Gemini Live 的 TypeScript、Python 語音整合,以及 LlamaParse Indexes 上線託管嵌入向量功能,毋須自備 API key,並提供 10,000 個免費 credits。
LlamaIndex 建立了 audio-kb CLI 工具,讓使用者可從終端錄製或上傳音訊筆記,並對筆記進行語義搜尋。工具以 LlamaParse 提取逐字稿,將文本分塊後用 Gemini Embedding 2 產生嵌入向量,再存入帶有 HNSW 索引的本地 SurrealDB。
Google 在 ADK 加入原生即時評測功能,可透過模擬使用者以音訊與即時語音智能體對話,評分語音回覆,並沿用文字智能體的評測流程。測試案例可採對話情境或固定對話,並以自然語言評分規準評估整段多輪互動,也可逐輪評分回覆或工具執行。評測可由 CLI 執行,或透過 AgentEvaluator 納入 CI/CD;ADK Web 會呈現轉錄文字及可播放音訊。
東京法院在津田健次郎起訴 TikTok 案中,首次確認人的聲音受法律保護,並認定未經許可使用其聲音侵犯形象權。案件涉及匿名帳號用 AI 克隆其聲音為影片旁白;因帳號已註銷,法院未支持津田要求 TikTok 下架影片的請求。
OpenAI 發佈 gpt-4o-mini-transcribe-2025-12-15、gpt-4o-mini-tts-2025-12-15、gpt-realtime-mini-2025-12-15 及 gpt-audio-mini-2025-12-15 四款語音模型快照,並擴大 Custom Voices 開放範圍。
OpenAI API 的 Audio & voice 文件聚焦於建立語音及即時語音體驗,並列於 API 開發文件導覽中。頁面其餘內容為開發者文件與資源入口,沒有提供音訊功能細節。
Microsoft AI 發佈語音生成模型 MAI-Voice-1,並在 LMArena 開始公開測試基礎模型 MAI-1-preview。MAI-Voice-1 可在單張 GPU 上用不到 1 秒生成 1 分鐘音訊,已支援 Copilot Daily 和 Podcasts,並在 Copilot Labs 開放體驗。
Microsoft 的語音識別模型 MAI-Transcribe-1 已在 Microsoft Foundry 開放公開預覽,音訊定價為每小時 $0.36。該模型正分階段部署至 Copilot 的 Voice mode 和 Microsoft Teams,並支援會議轉錄、即時字幕及聽寫等用途。
Microsoft AI 發佈 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2,三款模型現已可在 Microsoft Foundry 和 MAI Playground 使用。
MAI-Transcribe-1.5 現可按使用者提供的領域關鍵詞清單調整轉錄預測,提升專業詞彙識別。啟用關鍵詞偏置後,模型在 FLEURS 多語言基準測試上的 Word-Error-Rate(WER)降低 30%。模型會結合上下文決定何時套用偏置,而非強行匹配,並維持一般語音的準確度。
Microsoft 發佈語音合成模型 MAI-Voice-2,現已在 Microsoft Foundry 提供,並正整合至 VSCode 和 Dynamics 365 Contact Center。
Microsoft AI 將 MAI-Image-2.5-Pro 與 MAI-Voice-2-Flash 開放公開預覽,分別面向高保真圖像生成與高速、大規模語音場景。
Microsoft AI 發佈語音辨識模型 MAI-Transcribe-2,主打高準確度、低延遲及較低成本。
Microsoft AI 發佈首款串流轉錄模型 MAI-Transcribe-2-Streaming,在 Artificial Analysis 的最終及部分轉錄準確度排名均列第一。
Inception Labs 發佈 Mercury 2.5,稱其相較 Mercury 2 智能提升 40%,並維持低延遲、低成本的服務特性。
Legato 宣佈 AI 助聽眼鏡 Legato Frames 現已開售,售價 $999 起,適用於有中度或以下聽力損失的成年人。產品把公司的專利助聽技術整合於眼鏡鏡臂,AI 系統會分辨人聲與背景噪音,放大人聲並降低不需要的聲音;公司稱所有處理均在眼鏡上完成,沒有攝影機或錄音。
Suno 在網頁及手機平台推出 Speech 公測功能,可根據提示描述或自訂稿生成口語,並同步生成配樂。Simple 模式以提示描述生成,Advanced 模式可輸入自訂稿並調整 AI 聲音性別、説話風格及生成多樣性;配樂可關閉,最長時長約 8 分鐘。Suno 表示功能仍在 beta 階段,會根據用户意見持續改進。
Microsoft AI 發佈 MAI-Transcribe-2-Streaming 即時轉錄模型,以及 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 兩款文字轉語音模型。
DuplexJev 提出將 ASR 編碼器的隱藏狀態經小型連接器送入凍結的 LLM,直接以單個 Token 對選項作分佈預測,無需自回歸解碼。在 8-GPU 節點上,系統約 0.1 s 內可針對八段語音作出 80 項決策;使用最後一層連接器時,語音問答準確率為 90%,接近讀取逐字稿的 91%。
Tavus 發佈 Griffin,稱其為首個「Human Interaction Model」(HIM);其研究中,48% 參與者在一分鐘視像通話後認為 Griffin 是真人。
Sarvam AI 推出 Bulbul V4 Flash 文字轉語音模型,面向即時應用,改善印度語言語音的自然度與表達能力。模型在生產環境的 time-to-first-audio 低於 250 ms,收費為 ₹20 per 10,000 characters,較 Bulbul V3 的 ₹30 per 10,000 characters 低三分之一。
Hugging Face 建立 Open TTS Leaderboard,以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度(RTFx)、首段音訊延遲(TTFA)及説話者相似度(SIM),可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選,並設有 Listen 頁籤供用户比較生成音訊及投票;其指標不直接衡量自然度、表現力或聽者偏好。
推薦理由:排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現,並保留聆聽投票,方便比較多語言及聲音複製模型。
Gemini Live API 可用於建立即時語音 AI 智能體,透過雙向 WebSocket 同時傳送和接收音訊,支援即時回應及用戶插話。建議並行處理麥克風上行音訊與模型下行語音,並在麥克風偵測到用戶説話時立即靜音及清除播放緩衝區;Gemini Live 內置 VAD 負責偵測語音活動。工具操作可非同步執行並即時回傳確認,避免較慢的外部操作令語音生成停頓。
QwenAudio 的 qwen-audio-agent 發佈 v2.0.1,改進本地後端 Agent 的偵測與安裝,並支援 DeepSeek Harness 原生 ACP。更新會重用現有 Agent,只從官方最新發佈版本安裝缺少的元件,亦修正 coordinator Session 持續使用問題。
網易有道開源實時語音模型 R2T2 和 T3PO,兩款模型發布數日後分別登上 Hugging Face 的 ASR 和 Translation Trending 榜第一。R2T2 是 2B 參數的流式語音識別模型,採用「只增不改」方式,平均識別延遲為 200 至 600 毫秒。T3PO 是 15B 參數的中英同聲傳譯模型,提供低延遲、原生和高質量三種模式,採用 Apache 2.0 協議。