2026-11-05
Philipp Schmid 演示如何用 Gemini API CLI 配合编码 Agent 测试语音等多模态功能
Philipp Schmid 分享用 Gemini API CLI 配合编码 Agent 测试语音、音频等多模态功能的方法
主题
2026-11-05
Suno 支持用 MIDI 起始创作歌曲
Suno 宣布现在可以在 Suno 上用 MIDI 起始歌曲创作，详细介绍见其博客 https://suno.com/blog/MIDI-in-create。
2026-11-05
Gemini 3.8 Flash TTS 上线 Voice Remixing，支持用提示词微调声音
Google 宣布 Gemini 3.8 Flash TTS 的 Voice Remixing 功能已在 Google AI Studio 和 Gemini API 上线。用户可从 2000+ 预设声音库或自定义声音起步，用提示词微调音色、音高、语速和口音，例如加轻微美国南方口音或让它听起来像喷火龙。
2026-11-05
Suno 支持 MIDI 文件作为创作起点
Suno 上线 MIDI 起手功能，用户可将 .mid 或 .midi 文件拖入 Create 页面或从 + 菜单选择 MIDI 开始创作。MIDI 只包含音符与节奏等数据，用户可用自然语言指示模型严格按原谱演奏、提取动机发展新想法或更换乐器编制
2026-11-04
ChatGPT Voice 接入 Finances，可语音讨论消费与储蓄
OpenAI 官方账号宣布 ChatGPT Voice 支持财务功能 Finances，用户可通过 Finances 安全连接账户后，用语音谈论消费、储蓄等财务问题。入口为 https://chatgpt.com/finances。
2026-11-03
ElevenLabs 分析：语音智能体更擅长复杂对话
对话越长，语音智能体的成功率越高。 我们分析了 469 个在生产环境中同时运行语音和聊天的智能体，发现了一个有趣的规律。当对话变得复杂时，语音是解决问题最快的路径。 https://elevenlabs.io/blog/voice-wins-complex-stressful-conversations
2026-11-03
Hume AI 推出基于音频的 Decision API，可分析录音中的情感与内容
Hume AI 推出 Hume Decision API，一款基于音频的模型，通过分析录音来回答关于说话者情绪和内容的问题，在初始测试中其与人类面板答案的一致率达 70.7%。
2026-11-01
消息称 Spotify 计划于明年初推出 AI 音乐混音服务，用户可自制歌曲混音与翻唱版本
IT之家 11 月 1 日消息，据金融时报 FT 消息，Spotify 正在积极推进版权授权谈判，并努力说服音乐人拥抱新技术。Spotify 计划在 2027 年初推出一项由人工智能驱动的新服务，允许用户自行制作歌曲的混音与翻唱版本
2026-10-31
Gemini 推出 Lyria 3.5 音乐生成模型
10) 用我们音质最佳的音乐生成模型 Lyria 3.5，创作你迄今最出色的曲目。 轻松选择或描述你的曲风，设定曲目时长，并在人声或器乐风格之间选择。你还可以探索新模板来激发创意，从背景音乐到定制生日歌曲，应有尽有。
2026-10-30
AI也能重新编曲和翻唱?Spotify计划推出付费音乐混音服务
AI也能重新编曲和翻唱?Spotify计划推出付费音乐混音服务 · · Oct 30, 2026 Spotify计划于2027年 第一 季度推出AI音乐混音服务，允许付费订阅用户利用人工智能对现有歌曲进行重新编曲或翻唱，并考虑每月额外收取4至5美元。公司正争取在2027年2月格莱美奖颁奖典礼前后发布该服务，但具体上线时间和定价尚未最终确定
2026-10-30
ElevenLabs：超写实 AI 语音革命，以及如何在 2026 年实现媒体工业化
本文探讨 ElevenLabs 如何通过超越机械式 TTS、迈向语义感知的生成式音频，彻底改变合成语音，并提供即时声音克隆与自主配音能力。
2026-10-30
ElevenLabs SFX v3 多指令音效生成
用一条提示词描述场景，SFX v3 就能开始工作。 人群欢呼，球落下，然后人群发出嘘声。SFX v3 能更可靠地遵循多条指令，一步步把你描述的内容更多地融入音频中。
2026-10-30
ElevenLabs 推出 SFX v3 音效模型
现在就试用 SFX v3，在 @ElevenCreative 内的所有创作场景均可用：flows、音效标签页、studio 和音乐编辑器。 ElevenAPI 和 ElevenLabs 移动应用同样可用。 https://elevenlabs.io/blog/soundeffectsv3
2026-10-30
ElevenLabs 发布 SFX v3 音效模型
大场面很少只靠一个声音，所以我们打造了 SFX v3，让它能处理前所未有的更多内容。 我们最新的模型让你只需一段文本提示词，就能创建更丰富、更精确的音效，音乐和人声也有所提升。 现已在 @ElevenCreative 和 ElevenAPI 中上线。
2026-10-29
开源性转马尔福 AI 女友，用即梦短剧工作室做的
作者分享了如何利用即梦 AI 短剧工作室、Suno 和 Claude 从零构建一个具有互动剧情的“马尔福女友”桌面应用。
2026-10-29
ElevenLabs 发布强制对齐模型 Cue
ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言
2026-10-29
苹果首度为 Mac 引入灵动岛：支持显示音乐播放、实时活动等，Siri AI 多了个入口
IT之家 10 月 29 日消息，苹果公司今日推出首款触控屏 MacBook Pro，提供 14 英寸和 16 英寸两种型号。值得注意的是，这款笔记本支持灵动岛，可将实时活动、聚焦搜索和 Siri AI 整合到屏幕上方交互，这也是苹果首次为 Mac 电脑引入灵动岛
2026-10-28
Suno Studio 从采样到完整节拍
在 Suno Studio 里，从一个随机采样到一段完整节拍 🔥 你接下来会加什么？
2026-10-28
ElevenLabs 与西班牙 ALS 协会合作，为渐冻症患者免费提供声音重建技术
ElevenLabs 与西班牙主要 ALS 协会 AsociacionELA 合作，向西班牙全国的 ALS 患者免费开放其声音重建技术。工程师兼教授 Aníbal 因 ALS 逐渐失声，用该技术复刻了自己的声音，得以继续教学。
2026-10-28
豆包公关负责人刘星回应“横店与字节合作将 15 万群演肖像声音喂给大模型”：传言严重失实
IT之家 10 月 28 日消息，豆包公关负责人刘星今日发文称，“横店与字节合作，将 15 万名群演的肖像和声音喂给字节大模型”的传言严重失实。 他表示，横店影视 AI 服务平台项目，其实是希望建设一套公共数字基础设施，把影视基地实景等资产做成高质量数据集，帮助剧组更高效地选景、筹备和拍摄，也降低中小影视企业使用 AI 的门槛，让更多创作者有条件把作品做好
2026-10-28
Gemini Notebook 移动端支持录制 1 小时音频
GOOGLE 🔥：Gemini Notebook 移动端现在最多可录制 1 小时的实时音频！ > 录制的音频之后可作为 Notebook 的来源使用。 该功能似乎在逐步推送中。 Live Notebook 👀
2026-10-28
Liquid AI 发布 LFM3：6 个开源权重 2B 级多模态模型
Liquid AI 发布 LFM3 系列共 6 个开源权重 2B 级模型，基于同一 tri-hybrid 骨干覆盖文本、视觉、音频、omni 和决策任务。
2026-10-28
ElevenLabs 风洞测试语音智能体
每个语音智能体都得在电视声、狗叫声或大奖赛看台的嘈杂中听清客户说话。 我们想试试更吵的环境，于是借用了 @audif1_ 的风洞。 抱歉吵到你了，@HulkHulkenberg。
2026-10-28
Liquid AI 发布 LFM3 系列：一个 1.7B 底座衍生六个 2B 级多模态模型
Liquid AI 在 Hugging Face 发布 LFM3 系列，以 LFM3-1.7B-Base 为共享底座，提供文本、视觉、音频、全模态和决策共六个 2B 级模型，均开放权重。
2026-10-27
ElevenLabs 从旧家庭录像复原 ALS 患者语音，已帮助超 11000 人恢复声音
ElevenLabs 介绍 ALS 患者 Monica 的案例：团队从一段旧家庭录像中复原了她的声音，她在女儿婚礼上用原声致辞，并以此与家人交流。NBC News 对 Monica 进行了采访报道。原文称该技术已帮助超过 11000 名因伤病失去声音的人恢复语音，并承诺帮助全球 100 万语音障碍者。
2026-10-27
Liquid AI 发布 LFM3 多模态开源权重模型家族，2B 级覆盖文本、视觉、音频、omni 和决策模型
Liquid AI 发布新一代 LFM3 模型家族，以 LFM3-1.7B-Base 为共享骨干，首批开放六个 2B 级模型（文本、视觉、音频、omni 及两个决策模型）的开放权重，可在 Hugging Face、Playground 和 Liquid AI API 获取。
2026-10-26
猫王音乐版权方起诉 Anthropic，指控其未经授权用 274 首歌曲训练 AI 模型
IT之家 10 月 26 日消息，猫王 · 埃尔维斯 · 普雷斯利（Elvis Presley）音乐曲库的持有方正在起诉人工智能企业 Anthropic，指控该公司未经许可使用普雷斯利的歌曲训练 AI 模型
2026-10-25
猫王音乐版权方起诉 Anthropic 索赔约 4100 万美元，指控 Claude 使用 274 首歌曲训练
Elvis Presley 音乐版权方 Authentic Brands Group 联合多家出版商对 Anthropic 提起联邦诉讼，指控 Claude 在 274 首歌曲上训练，按每件 15 万美元的法定赔偿上限索赔约 4100 万美元。
AI巨头遭猫王版权方索赔 4100 万美元：当传奇音乐遇上大模型侵权风暴
AI巨头遭猫王版权方索赔 4100 万美元：当传奇音乐遇上大模型侵权风暴 · · Oct 26, 2026 近日，猫王埃尔维斯·普雷斯利（Elvis Presley）音乐曲库的持有方正宗品牌集团(Authentic Brands Group)正式向人工智能企业 Anthropic 提起诉讼
2026-10-25
唱歌跑调怎么办？不是让 AI 当枪手，而是用 AI 给自己写个音乐老师
程序员 Daniel Murrell 开发了 OnKey，一个利用 AI 分析原唱旋律并实时反馈用户音准的软件，旨在帮助用户自己学会唱歌，而不是依赖 AI 替唱。
