标签
Fish Audio 发布了 Drama 3 模型的权重，支持用自然语言指导台词演绎并可在句中切换表演方式，引发关于开源语音模型是否将迎来“DeepSeek 时刻”以及 ElevenLabs 等闭源模型护城河的讨论。
Openspline 是一个开源的实时数字人头像层，可通过 5 行代码接入现有语音 AI 智能体，在本地 GPU 上生成口型同步的实时视频，RTX4090 上可达 90+ FPS。
## 以语音 AI 编排平台产品负责人的视角，看分类模型在电话语音机器人中的真实价值 作为语音 AI 编排平台的产品负责人，本文作者分析了 Jev 及同类分类模型在电话语音机器人场景中的实际用途，并梳理了 Laya、Clef、CMF、Nimble、Kev 等竞品构成的生态格局。 ### 核心观点 - **单一 LLM 无法独立支撑生产级对话**。在真实通话场景中，仅靠一个大语言模型难以稳定完成端到端的对话流程。 - **分类模型仍然不可或缺**。它们在**延迟**、**成本**和**结构化输出**三个维度上，依然具备 LLM 难以替代的优势： - **延迟更低**：分类任务的响应速度远快于生成式调用，对实时通话体验至关重要； - **成本更低**：轻量级模型的推理开销远小于大参数量 LLM； - **结构化输出更稳定**：分类结果天然就是离散标签，便于下游系统直接消费，减少解析失败与幻觉风险。 ### 结论 在生产环境中，**编排层 + 分类模型 + LLM** 的组合仍然是更务实的架构选择：把意图识别、路由分流、情绪判断等高频、低延迟、强结构化的任务交给分类模型，而将开放对话、复杂推理与内容生成交给 LLM。两者各司其职，才能同时兼顾体验、稳定性与成本。
Bland 推出 iMessage 智能体功能，可在30秒内将任意商业网站转化为带品牌标识的短信客服线路，支持实时抓取价格、库存并接受支付。
Grok Voice 3.0 发布，被称为全球最智能的语音到语音模型，响应时间低于1秒，面向客服通话场景且成本低于其他前沿模型。
Grok Voice 3.0 以 86.9 的得分登顶 Artificial Analysis 的语音到语音指数，超越 OpenAI 和 Google，同时在 Tesla 车辆内驱动免手动语音功能，如查看日历、回复邮件和执行 Grok Bot 任务，每天处理数百万次对话。
该论文提出 PeopleMakingConversation 基准，通过 176 段非脚本对话中的 427 个停顿点和 482 个话轮结束点，评估六个实时语音系统在何时开口、延迟、回复长度与对话记忆等方面的自然对话表现，并公开数据与评测框架。
多位语音AI公司高管在HumanX大会上表示，尽管全双工模型和语音AI投资热潮不断升温，语音AI仍未迎来自己的“ChatGPT时刻”，低延迟推理、ASR准确率和对话透明度仍是关键挑战。
一位 Shopify 商家称赞 @bot 仅用一天就为其店铺搭建了基于 xAI 语音的 AI 电话客服，可查询订单、修改订单并转接人工。
ElevenLabs发布了用于ElevenAgents的合成人声检测功能，并加入Personal Agent Protocol，以提升AI代理间通信的安全性与透明度，应对日益增多的AI代理拨打商业电话的趋势。
VOYGR（YC W26）在旧金山科技周期间进行了一项实验，通过其PlaceCall API用AI电话代理拨打了1000多家旧金山商家的电话。结果显示，当告知对方正在与AI通话时，约三分之二的商家会挂断电话。其中兽医诊所和牙科诊所的接受度最高，酒吧和干洗店最低。
Decagon 推出其新型语音模型 Chord，由 Decagon Labs 团队开发，在 Modal 上完成训练与部署，具备低首帧音频延迟和高并发下的稳定表现。Chord 经过后训练以保持语速和语音自然度，并在所有部署中提升了问题解决率。
作者盛赞 'realtime Talk' 是更出色的语音交互方案，称其实现实时、可打断的语音体验，媲美商用 ChatGPT 和 Gemini 应用，同时还能利用用户自己的 LLM 智能体及其完整上下文和工具。
ClawCall 是一款让 ChatGPT、Claude、Grok 等 AI 代理代为拨打电话的产品，可自动处理语音菜单、排队等待、与人工对话并汇报结果，支持需要决策时转接用户本人。产品在 Product Hunt 上线，免费 30 次通话，之后每月 4.99 美元。
一位用户称赞 Grok 机器人中全新的语音模式，称其非常流畅，并且能够真正执行实际任务，同时分享了一段开启音频的语音通话交互演示视频。
Shubham Saboo 宣布推出一个免费的 30 分钟大师课，教 AI 产品经理如何构建一个能同时看、想、说、画的多模态语音 AI Agent，涵盖从问题到创意、再到规范文档和可用 Agent 的完整工作流。
一条观点认为，像 Alexa 和 Siri 这样的 AI 助手并不需要模仿人类的声音——生硬的机器人语音完全可以接受，只要用户知道自己正在和 AI 对话，这引出了机器透明身份优先于拟人化真实感的问题。
Podonos 推出 Onepin，一款可用于生产环境的语音 AI 工具，能逐行检查生成内容的自然度和发音，自动纠正品牌名等词汇的误读，直接从脚本生成成品旁白。
Onepin 作为语音生成领域的模型路由与质量控制层正式发布，它架设在现有 TTS 服务商之上，对文稿进行规范化处理、按行选择音色，并大规模自动检测和修复发音或自然度问题。
UTTER IN 是一款语音驱动的效率工具，只需录制一条包含多个请求的语音笔记（支持英语或阿拉伯语方言），即可自动拆分为独立的提醒卡片、日历事件和已保存地点。用户确认后，可同步至 Google、Outlook 或 Apple Calendar。