AI 语音公司 ElevenLabs 估值翻倍至 220 亿美元
AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权,这一估值较其 2 月融资时的 110 亿美元翻倍。此次 3 亿美元要约收购由 Wellington 和 T. Rowe Price 联合领投,是该公司第二次为员工安排二级交易,上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。
AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权,这一估值较其 2 月融资时的 110 亿美元翻倍。此次 3 亿美元要约收购由 Wellington 和 T. Rowe Price 联合领投,是该公司第二次为员工安排二级交易,上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。
Hugging Face 发布 Open TTS Leaderboard,用客观指标评测开源多语言 TTS 与声音克隆模型,单模型评测耗时从数周投票缩短到数小时。
ElevenLabs 发布 Eleven v4 语音模型,能更准确地跟随脚本中的情绪、停顿和音效标签,并在长内容制作中保持音色一致。新架构同时支撑 Turbo 版本,官方测试中约 150 毫秒开始输出语音,对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。
波士顿语音智能初创公司 Modulate 完成 2500 万美元新融资,由 Future Ventures 领投,Hyperplane 和 Lakestar 参投。其平台运行超过 100 个模型,分为信号提取与分析检测两类,为企业提供转录、情绪分析、深伪与 AI 音乐检测,以及受监管行业语音智能体的合规执行。公司现有 40-45 名员工,计划再招 10 人加强模型建设,并正提升本地与端侧部署能力。
Tarini Padmanabhuni 因祖父遭 AI 深度伪造语音冒充其兄弟诈骗而创办 DetectifAI,该公司设计可在手机操作系统内本地运行的紧凑 AI 模型,在通话和语音消息中即时判断声音是否为 AI 生成,音频无需离开设备。DetectifAI 以 SDK 形式授权给手机厂商作为系统内置功能,同时向企业和反欺诈公司授权,目前每月为印度金融机构处理超 10 万通电话。
AWS 发布教程,演示如何用 vLLM-Omni DLC 在 Amazon SageMaker AI 上部署 Qwen3-TTS,通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出,并配套 Gradio 应用。
阿里云 Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart,可部署到全托管实时推理端点,仅凭几秒参考音频和对应文本即可克隆音色,无需重新训练。该模型覆盖中文、英文、日文等 10 种语言,支持跨语言克隆与流式生成,输出 24 kHz 音频,同系列还有 CustomVoice 和 Qwen3-ASR-1.7B 可选。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成,实现带唇形同步、自然表情和流畅轮次的视觉化对话,已在 Gemini Enterprise 上线。
推荐理由:官方给出 Live Avatar 的实时视频对话能力、97 种语言同步与异步工具调用细节,可据此判断企业级多模态交互的落地形态。
AWS 发布 WhisperX Deep Learning Container,在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的逐词时间戳和说话人分离,可部署到 Amazon SageMaker AI 实时或异步端点,无需自建镜像。
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心,为其加入语音与实时视频能力,并发布 Ray-Ban Meta Gen 3、售价 1299 美元的 Meta VR Glasses 以及 12 月发货的钥匙扣设备 Muse Charm。
Simon Willison 发布 Gemini 3.8 TTS Playground,一个自带 API key 即可使用的交互界面,可合成单人或多人对话语音、预览音频并查看请求与响应细节,配置可保存为可分享的 URL。
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型,前者面向角色设计与逐行表演指导,后者面向高并发配音与语音智能体。
推荐理由:官方给出两款 TTS 的定位差异、可用入口与基准排名,便于判断语音生成在配音和播客场景的落地方式。
Ringg 基于 GPT-5.6 打造的 AI 智能体可解决高达 65% 的客服来电,覆盖语音、聊天、WhatsApp 和网页等多语言场景,成本相比 GPT-4.1 降低 90%。
Google DeepMind 发布两款实时对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,前者面向规模化与成本效率,后者面向高复杂度任务和多步推理。
推荐理由:官方给出两款语音模型的基准成绩与开放渠道,可据此判断实时语音智能体的落地成熟度。
OpenAI 在 API 中推出 GPT-Live-1,支持自然的全双工语音对话。该模型具备更强的指令遵循能力,支持自定义音色和电话(telephony)接入。
推荐理由:OpenAI 把全双工语音对话能力开放到 API,开发者可据此判断语音应用的接入方式与能力边界。
Google DeepMind 发布 Gemini 3.5 Transcribe,称其为目前最精确的语音转文本模型,可将原始音频直接转为准确、经过润色和格式化的文本。
推荐理由:官方给出 WER、延迟与多语言等量化指标,并说明开发者与消费端入口,便于判断语音转写能力边界。
Google Research 发布基于 Gemini 和 Project Astra 的 AMIE (Video),可进行实时视频临床问诊,感知非语言线索并引导虚拟体格检查。
推荐理由:读者可了解 AMIE 如何用异步多智能体架构在实时视频问诊中兼顾对话延迟与临床推理,以及随机对照研究的评测设计。
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5,并在 Google Flow Music 中上线。官方称其在音乐性、歌词和人声质量上均有提升:旋律结构更丰富自然,歌词生成对提示词的遵循度和结构感知更好,人声表达与情感更细腻且发音改善,同时用户可更便捷地控制输出的节奏与时长。
Google DeepMind 发布 Gemini 3.5 Live Translate,一款支持 70+ 语言的近实时语音到语音翻译音频模型,能自动检测语言并保留说话者的语调、节奏和音高。
推荐理由:Google 发布实时语音翻译模型,给出 70+ 语言、连续生成和产品落地路径,可据此判断实时翻译的可用性。
Google DeepMind 宣布 AI co-clinician 研究计划,探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由:Google DeepMind 公开 AI co-clinician 研究,给出医生盲评与多模态模拟的对比结果,可了解医疗智能体的能力边界。
Google DeepMind 发布 Gemini 3.1 Flash TTS,称其在可控性、表现力和语音质量上均有提升,在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数。
推荐理由:官方给出 Elo 1211 与音频标签控制方式,读者可据此判断语音生成在可控性上的进展。