ElevenLabs员工套现3亿美元，估值翻倍到220亿
2022 年估值 900 万美元，今年 2 月 D 轮 110 亿美元，9 月底员工股份回购按 220 亿美元成交。同一段时间里，语音智能体每周对话量涨到 2 月的 3 倍。
语音AI 资讯与深度分析
收录 语音AI 相关 AI 新闻、产品动态和产业观察。 本页收录 20 篇已发布文章。
千问语音全线降价，识别最高降95%
语音合成降约 70%，实时对话降约 85%，语音识别最高降 95%。上一代 TTS Plus 在 Artificial Analysis 语音竞技场拿到 1234 分，ElevenLabs v3 是 1168 分。
谷歌发Gemini 3.8语音合成，30秒录音可克隆
按现价粗算，Flash TTS 生成一小时语音约 0.81 美元，明年 1 月 1 日起翻倍到 1.62 美元，比旧版 2.5 Flash 预览版还贵。年底前的价格更像试用价，明年一季度的调用量会说明开发者认不认这个账。
阿里发实时同传模型，字均延迟压到2.3秒
上一代字均延迟 2.8 秒，这一代 2.3 秒。能听懂的语言 60 种，能说出来的 29 种。公开评测 FLEURS 覆盖 70 个语言方向，阿里自建的多说话人长音频集只覆盖 14 个语向。
阶跃放出五款语音模型，词错率压到 1.7%
五款模型同一天上线开放平台。Realtime 在 Conversational Dynamics 榜综合得分 98.9%，Speech Reasoning 的语音推理准确率 99.7%；ASR 的非流式词错率 1.7%，并列榜首；另外三款覆
GPT-Live-1开放API，每分钟5美分
语音前端每分钟 0.05 美元，按秒计费。后端推理模型和工具按各自价格另算。Tau3 语音智能测试里，它的一次通过率 86.2%，GPT Realtime 2.1 是 45.7%。
腾讯混元开源语音模型 AuK，一句话改口音
模型参数量 1.5B，MIT 协议，代码和权重同步放出。官方列出的任务超过 15 项，覆盖零样本合成、内容改写、音高语速调整、情绪音色口音修改、降噪去混响与说话人分离。蒸馏版 AuK Flash 固定四步采样、推理不开 CFG，官方给出的墙
谷歌新语音转写模型词错率降到 2.6%
谷歌这一版把语音识别的交付物从逐字记录改成了直接可用的成稿，删口头禅、修正说话人的中途改口都在模型内部完成，语音接口的竞争点由此从识别准确率挪向了后处理质量。
千问语音模型开始调用工具
在一段真实语音对话里，最难的地方往往不在回答一句话，而在模型能不能听出你已经换了主意。 比如先问附近川菜馆，再追问“评分 4.5 以上哪家最近”。
ChatGPT语音换上GPT-Live
OpenAI 这次改的不是 ChatGPT 会不会说话，而是它怎么听人说话。 7 月 8 日，OpenAI 发布 GPT Live，一组新的语音模型，开始接管 ChatGPT Voice。两条产品线同时上线：GPT Live 1 面向 Go
Bland 一年接 1.75 亿通电话再融 5000 万
「再过一年，根本没人会打电话了。」 2024 年，Isaiah Granet 带着他的语音 AI 项目在 Y Combinator 里挨家敲门，三周里被 180 家投资人用这句话回绝。 两年过去。Bland 这次报出来的数字是：去年一年接了
亚马逊Ring选Vapi语音AI估值冲5亿
亚马逊Ring去年客服电话爆了。他们试了40家AI语音供应商，最后挑了一家叫Vapi的初创。 5月12日，Vapi官宣了 $50M B轮 ——估值 $5亿 ，比上一轮翻得很猛。Peak XV Partners领投，M12（微软）、Klein
语音AI Wispr Flow融资2.6亿冲20亿估值
语音AI的钱真砸进来了。 Wispr AI——做Wispr Flow这款AI听写工具的那家——五月十二号Bloomberg爆出消息：正在谈一轮$260M融资，估值要冲到$20亿。 去年底刚估$7亿。半年时间，三倍。
ElevenLabs三月ARR从3.5亿冲5亿美元
5月5日，ElevenLabs 把它的 D 轮第三轮 close 了，估值锁在 110亿美元 ，融资总额从最早2月公告的5亿涨到 5.5亿美元以上 。但这条新闻里更刺眼的不是融资，是营收—— Q1 2026 ARR 冲到5亿美元 ，年底前还
OpenAI 一口气发布三个语音模型
5 月 7 日，OpenAI 一口气发了三个语音模型，把 Realtime API 那条产品线彻底重做了一遍。 先把名字摆出来： GPT Realtime 2 —— 能边推理边说话的对话模型 GPT Realtime Translate —
Grok 新语音模型跑分甩开 Gemini 30 个百分点
τ voice Bench这个公开榜单，过去一年都是Gemini 3.1 Flash Live和GPT Realtime你来我往。4月25日xAI扔了个新模型上去， 直接拿了67.3% 。 下一名Gemini 3.1 Flash Live：
xAI上线语音API通话识别错误率5%
4月18日，xAI发布了两个独立的语音API：Grok STT（语音转文字）和Grok TTS（文字转语音）。面向的是企业开发者，不是普通用户。 这套技术之前一直在给Tesla车载系统、Starlink客服电话和Grok手机App用，这次把
阿里发Qwen3.5-Omni，文字音频视频一体还能语音克隆
3月30日，阿里Qwen团队丢出了Qwen3.5 Omni，这是他们第一个真正意义上的全模态模型——文字、图片、音频、视频全部塞进同一个模型里处理，不是那种把几个专门模型拼在一起的拼接式架构。 一个模型，四种模态 之前市面上的多模态系统大多
Mistral 开源 4B 语音模型，评测超 ElevenLabs
3月26日，Mistral发布了Voxtral TTS，它们的第一个语音模型。 4B参数，开放权重，人工评测自然度超过ElevenLabs Flash v2.5，API定价0.016美元/千字，可以直接跑在自己的服务器上——这是这个产品的核
谷歌重构语音 AI，发布 Gemini 3.1 Flash Live
3月26日，Google发布了Gemini 3.1 Flash Live。 如果你以为这只是一个更快、更便宜的语音合成API，那值得重新看一下。这个模型在技术架构上做了一个根本性的改变。 传统语音AI是怎么工作的 原来的AI语音交互，基本上