亚马逊Ring试了40家AI语音供应商，挑了Vapi：日跑500万通电话，估值冲到$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）、Kleiner
#语音AI
共 9 篇文章
语音AI半年涨三倍：Wispr Flow拿2.6亿冲$2B估值，60%用户根本不说英语
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Wis
ElevenLabs三个月把ARR从3.5亿干到5亿：BlackRock和英伟达赶在估值再涨之前进来
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，年底前还是3.5亿
OpenAI一口气扔出三个语音模型：能边推理边说话，70种语言实时口译
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新语音模型把Gemini甩开30个百分点：Starlink客服已经在用，五个咨询里有一个直接付钱开通
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：43
xAI上线了语音API：phone call识别出错率5%，ElevenLabs还有12%
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
阿里一个模型塞进文字音频视频，还能实时语音克隆：Qwen3.5-Omni来了
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是
Mistral开源4B语音模型，人工评测超过ElevenLabs：3秒克隆声音，每千字1毛6
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
Google把语音AI的架构推倒重来：Gemini 3.1 Flash Live不是更快的TTS
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，基本上是