标题：一句话生成播客，豆包·播客模型太逼真了！ 家人们，又一款有趣的AI来了——火山引擎发布了豆包·播客模型！只需一句话，就能生成高质量的播客内容。无论是实时热点讲解、超长文本概括，还是开放式话题反应，豆包·播客模型都能轻松应对。 例如，根据“亚朵酒店致歉”生成的播客，AI展现出清晰的态度和专业性；...

4月16日消息，Anthropic正筹备推出语音交互功能，预计“最快本月”上线。该功能将集成在Claude AI聊天机器人中，提供Airy、Mellow和Buttery三种英文语音选择，与OpenAI的ChatGPT语音选项竞争。此前，Anthropic首席产品官Mike Krieger曾透露已开发语音功能原型。分析发现，Anthropic的iOS应用中早有语音模式线索。作为OpenAI前员工创办的企业，Anthropic近期推出200美元/月的高阶用户订阅方案，并发布科研场景专用AI工具。为应对高昂研发成本，Anthropic探索多元收入渠道，包括针对教育领域的Claude for Education项目，服务于高校。

标题：语音界Deepseek！百度最新跨模态端到端语音交互，成本最高降90% 百度推出行业首个基于Cross-Attention的端到端语音语言大模型，大幅提升语音交互的真实性和情感表达，同时大幅降低语音问答场景的调用成本，最高降幅达90%。 该模型通过创新的跨模态架构，将语音识别和语言模型深度融合...

据英国金融时报报道，Meta 计划在未来几周内推出开源大语言模型 Llama 4，重点发展语音交互功能。Meta CEO 马克·扎克伯格希望将 Meta 打造为‘AI 领域的领导者’，并在 2025 年实现 AI 产品的重大突破。Llama 4 将支持自然的双向对话，允许用户随时打断，提升交互灵活性。Meta 正考虑为 AI 助手 Meta AI 推出高级订阅服务，并探讨在搜索结果中引入付费广告。Meta 的语音交互功能也将应用于 Ray Ban 智能眼镜，助力其成为主要计算设备。

2月18日，阶跃星辰与吉利汽车集团联合宣布，将合作研发的两款多模态大模型开源。其中包括全球参数量最大、性能最优的开源视频生成模型Step-Video-T2V，及首款产品级开源语音交互大模型Step-Audio。双方自2023年起在多个领域展开深度合作，显著提升了模型性能。3月初，吉利还将发布AI智能化战略，推动AI科技在智能座舱、高阶智驾等领域的应用。

微软正在拓展Copilot Voice语音交互的多语言支持，从仅限英语扩展到支持德语、法语、西班牙语、印地语等多种语言。Copilot Voice是微软推出的语音助手功能，用户可通过语音进行自然对话，包括提问和发指令。目前，尽管支持多语言，用户仍需主动切换语言，且主要以英语优化为主，其他语言支持处于‘有限容量’状态。未来将逐步扩展。IT之家 2月6日报。

前OpenAI研究员Alexis Conneau创立WaveForms AI，该公司专注于音频AI交互领域，已完成4000万美元种子轮融资，估值达2亿美元，由a16z领投。Conneau曾主导开发ChatGPT的高级语音模式，致力于使AI语音交互更自然、更具情感共鸣。WaveForms AI希望实现情感通用智能(EGI)，让AI系统能实时解读和响应情感线索，创造更有意义的互动体验。受电影《她》启发，该公司旨在减少AI使用的成瘾性和隔离性，优先考虑同理心和连接，构建积极的人机交互。WaveForms AI计划于2025年发布首批产品。

【数字华夏亮相2024世界机器人大会】8月21日，北京举办的2024世界机器人大会上，数字华夏（深圳）科技有限公司展示了其全新交互型人形机器人“夏澜”。作为业内首倡“人形交互机器人”概念的品牌，数字华夏致力于打造具备“温度”的智能伙伴，旨在超越传统机器人界限，实现与人类情感的深度连接。 【创新AI...

阿里通义千问近期宣布开源了两款大型语音交互模型——Qwen2-Audio-7B 和 Qwen2-Audio-7B-Instruct。这一创新突破了传统的文本输入限制，允许用户通过语音与模型进行自由互动。模型具备两种交互模式：一种是语音聊天，无需用户输入文本即可与之交流；另一种则是音频分析模式，在对话过程中用户可以提供音频和文本指令以进行深度音频分析。 Qwen2-Audio 在多项基准数据集上的测试结果显著优于前代模型，展现出卓越的性能。这一开源项目不仅提供了试用链接，还公开了详细的论文、评估标准和代码库，鼓励开发者和研究者进一步探索和应用这一技术。随着人工智能领域的快速发展，阿里此举不仅推动了语音交互技术的进步，也为行业带来了新的创新机遇。