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 11 篇已发布文章。

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

「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。这家公司到底做啥的 Wi

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

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 —

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：

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

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

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

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