ElevenLabs 在 ElevenAgents 中推出合成语音检测并加入 Personal Agent Protocol 工作组
ElevenLabs 在 ElevenAgents 中发布合成语音检测功能，用于识别来电中的 AI 智能体，并加入新兴的 Personal Agent Protocol 工作组，参与定义智能体之间的交互方式。其指出来电给企业的电话中越来越多来自代表个人、其他公司甚至恶意行为者的 AI 智能体。
#语音
RadarAIAI 评分4949 RadarAIAI 评分5757 ElevenLabs 推出合成语音检测，可在通话开场几秒判断来电者是否为 AI
ElevenLabs 宣布推出合成语音检测，在通话开始几秒内分析来电者语音，判断是真人还是 AI 生成，并据此进行路由。官方称这样真人能获得为真人打造的体验，智能体可以进行直接、有边界的交互，恶意行为者则可以被拦截。
RadarAIAI 评分4040 ElevenLabs 推出合成语音检测
ElevenLabs 推出合成语音检测功能，现已通过其前置部署团队向企业客户开放，本月晚些时候将扩大访问范围。ElevenLabs 表示会随着工作推进分享 PAP 的进展。
Hacker NewsAI 评分3838 Autonomous Lamp：搭载 Jev 分类器与 ElevenLabs Eleven v4 语音的自主 AI 台灯
Autonomous Lamp 是一款售价 $499 起的自主 AI 台灯，搭载 8-core ARM64 CPU、6 GB RAM 与 Autonomous OS，可运行 Claude Code、Codex 等工具。
GitHubAI 评分1515 Sawwah：基于 RAG 与语音、图像识别的沙特阿拉伯 AI 旅游助手
Sawwah 是一款专为探索沙特阿拉伯打造的 AI 旅游助手，集成 RAG、语音识别与计算机视觉，支持阿拉伯语和英语。它提供交互式聊天机器人、语音导航、摄像头识别地标、个性化推荐等功能，并内置地图与收藏书签。应用支持 Windows 10+、macOS 10.15+ 和 Ubuntu 18.04+，需 4 GB 内存与 500 MB 存储空间，可从 GitHub Releases 页面下载安装。
GitHubAI 评分4040 LocalRPG：本地优先的 AI 跑团客户端，支持 Ollama、ComfyUI 与 TTS 语音
darkliquid/LocalRPG 是一个本地优先的桌面跑团（TRPG）客户端，可把 GM、旁白和判定三个角色分别路由到 Ollama、LM Studio、vLLM、LocalAI 或云端 API，并支持按角色回退。
GitHubAI 评分2222 FluencyPal：基于 OpenAI GPT-4 的 AI 语言学习对话练习应用
FluencyPal 是一款面向中高级语言学习者的 AI 对话练习应用，通过实时语音对话、即时纠错和进度追踪提升口语流利度与发音。应用集成 OpenAI GPT-4，支持英语、西班牙语、法语、中文、日语等十余种语言，并提供角色扮演、词汇练习和游戏化学习模式。
Hacker NewsAI 评分6262 tiny-audio 发布：可花 25 美元训练的语音转文字系统
tiny-audio 发布一套可低成本训练的语音转文字系统，把冻结的预训练语音编码器接到预训练 LLM 上，只训练约 80M 参数的投影层。仓库发布的模型在 LibriSpeech test-clean 上 WER 为 1.8%，在 12 个基准共 11,822 条样本上为 7.4%。
GitHubAI 评分2222 open-dictate：本地运行的繁体中文语音转文字工具
open-dictate 是一款在本地将语音转为繁体中文文本的 Windows 工具，无需联网，语音数据不会离开电脑。它要求 Windows 10 或 11、近五年的 Intel Core i5 或 AMD Ryzen 5 处理器、至少 8GB 内存和 2GB 可用空间，免费下载使用，且不保存音频文件。
GitHubAI 评分4242 AWS 开源 Live Meeting Assistant：基于 Amazon Transcribe、Bedrock 与 Strands Agents 的实时会议助手
AWS 开源 Live Meeting Assistant（LMA），基于 Amazon Transcribe 实现带说话人区分的实时转录，并由 Strands Agents SDK 与 Amazon Bedrock 驱动 AI 会议助手，支持转录搜索、网络搜索、文档搜索和会议历史等内置工具。
GitHubAI 评分3434 Symbio：桌面 AI 智能体伴侣应用，支持 3D VRM 虚拟形象与 Hermes 自主智能体
Symbio 是一款桌面 AI 智能体伴侣应用，AI 以 3D VRM 虚拟形象常驻桌面，可看屏幕、听语音、跨会话保留记忆并自主进化。它支持 OpenAI（12 种语音）或 Google Gemini TTS（30 种语音），并提供 35+ 动画、44 个内置虚拟形象和 42 种语音。
GitHubAI 评分3838 Textile：面向 Linux 桌面的分层自动化框架，支持 MCP 工具与实时语音伴侣
Textile 是一个面向 Linux 桌面的分层自动化框架，通过 Twill 以 stdio 向 Claude、Cursor 等 MCP 客户端暴露桌面工具与系统控制，并内置基于 LiveKit 和 Gemini Realtime 的全双工语音伴侣 Weave。
GitHubAI 评分1212 Trint：面向媒体与企业团队的 AI 音视频转写 API 档案
API Evangelist 发布第三方档案，梳理 Trint 的公开 REST API：支持数十种语言的语音转文字、协作编辑器、翻译、字幕，以及上传转写、导出、实时转写和 webhook 事件。该 API 为付费、按套餐开放，无永久免费层，完整 API 访问、SSO（SAML）、SCIM 和 EU 数据驻留均属 Enterprise 功能，认证采用 HTTP Basic。
RadarAIAI 评分2323 Suno Studio 更新：新增时间对齐、片段拉伸与淡入淡出曲线
Suno Studio 上线时间对齐、片段拉伸、淡入淡出曲线和弹出式窗口四项更新。官方表示这些功能是根据用户反馈推出的，目前均已可用。
Hacker NewsAI 评分1212 Show HN：LumiBridge —— 用 448x64 LED 显示屏配合 SDR 追踪船舶
LumiBridge 是一个个人硬件项目，用七块 64×64 LED 面板（共 448×64 像素）搭配 Raspberry Pi，通过软件定义无线电和 VHF 天线接收船舶 AIS 广播，并接入在线 ADS-B 航班数据。它支持 30 fps、24 位色彩，内置 40 多个 Python 插件应用，涵盖船舶追踪、鸟类观测、图书榜单和 Ring 摄像头快照等，可通过遥控器、浏览器或语音交互。
RadarAIAI 评分4747 HeyGen Voice 登顶 Artificial Analysis 受控语音 TTS 竞技场榜首
HeyGen Voice 在 Artificial Analysis 受控语音 TTS 竞技场以 Elo 1,201 登顶，超过 Qwen-Audio-3.1-TTS-Plus（1,182）和 Eleven v4 Turbo（1,166）。其发音鲁棒性得分 83.1%，定价 $30/1M 字符，生成速度为每秒 40 字符。
GitHubAI 评分3636 PodLens：为播客生成 AI 上下文与实体卡片
PodLens 是一个面向播客的 AI 上下文引擎，可转录单集节目并识别其中提到的人物、公司、地点与技术，在播放到对应时刻时展示带摘要、地图和图片的来源卡片。它还能生成按日期排列的单集时间线，并基于 LangChain + OpenAI 提供带引用的问答，点击引用可跳转到原句。
RadarAIAI 评分3232 Suno Studio 2.0 支持自定义效果器
Suno Studio 2.0 支持在任意音频或 MIDI 轨道上点击 Add Effect 搭建效果器机架，也可通过聊天栏制作自定义插件。
GitHubAI 评分2222 VoiceFlow 1.2.7 发布：本地 Whisper 语音转文字桌面应用
VoiceFlow 1.2.7 发布，这是一款基于本地 Whisper 推理的跨平台语音转文字桌面应用，支持 Windows、macOS 和 Linux。应用提供 Whisper Base 和 Whisper Large v3 Turbo 两种质量档，支持西班牙语、英语、法语、德语和葡萄牙语五种转录语言，音频与转录内容均不上传云端。
GitHubAI 评分3838 El Sbobinator：用 Google Gemini 把课堂录音转成学习笔记的桌面应用
El Sbobinator 是一款免费桌面应用，通过用户自带的 Google Gemini API key（BYOK）将音频和视频课程转录为结构化学习笔记，自动去除口头禅与重复内容并整理成章节、段落和要点列表。
GitHubAI 评分2222 Tarunjit45/local-researcher：语音合成终端 AI 助手
Tarunjit45/local-researcher 是一个基于终端的离线 AI 研究工具，通过 Ollama 调用本地小语言模型生成结构化解释，并用 pyttsx3 离线 TTS 引擎朗读研究摘要。它支持可调语速与音量、彩色终端界面和 Markdown 渲染，零 API 成本，面向低配笔记本与边缘设备，采用 MIT 许可证开源。
GitHubAI 评分2222 Trilorah：面向教会的 AI 讲道助手，可实时转录、识别经文并驱动投影
Trilorah 是一款教会演示软件，内置 agentic 讲道引擎，可在讲道时实时转录、识别明引与引用的经文、理解礼拜环节并响应自然语音指令，还能随时间学习每位讲道者的习惯，全程本地运行、无需操作员。
GitHubAI 评分1212 VoiceVerse：基于 Whisper、IndicTrans2 与 Coqui TTS 的多语言学习平台
VoiceVerse 是一个 AI 驱动的多语言学习平台，通过 Whisper ASR 语音识别、IndicTrans2 翻译、spaCy 文本预处理、Sentence Transformers 与 FAISS 语义检索、Coqui TTS 语音生成，处理文本、音频、视频和文档内容。
RadarAIAI 评分2626 ElevenLabs 与 Banner Health 合作，用 AI 语音智能体接听患者来电
ElevenLabs 与 Banner Health 合作，用 AI 语音智能体接听患者来电，从初级保健预约开始。患者可在任何时间拨打，ElevenAgents 会直接在 Banner 的电子病历中预约、改期或取消预约；需要人工服务时，通话会转接给 Banner 团队成员并附带必要上下文信息。
GitHubAI 评分5252 Parleq 开源 macOS 语音输入工具，本地 ASR 约 64 ms 并支持六种 LLM 清理
Parleq 是一款开源的 macOS 语音驱动文本输入工具，按住全局热键说话，处理后的文本先出现在悬浮层中，可继续用语音修改、重排或扩写，确认后粘贴回原应用。
GitHubAI 评分2222 Veribar：为多说话人对话提供实时彩色字幕与可搜索转写记录的 Android 应用
Veribar 是一款 Android 应用，通过手机麦克风实时生成带说话人分色的字幕，并在录音结束后用更准确的模型重新转写，保存带时间戳和说话人标签的可搜索记录。它采用两遍处理流程：实时字幕约 1 秒内返回，录音结束后用 Deepgram Nova-3 的预录引擎重新分析全部音频以提升准确度。音频仅临时保存 15 天后删除，转写记录留在本地，且不用于供应商模型训练。
RadarAIAI 评分2222 Grok 与豆包 API 组合打造双人 AI 主播新闻播客
作者将 Producthunt 上的 DeTV 概念与 Grok、豆包 API 结合，做出一个实时双人 AI 主播播客，报道科技行业新闻。播客由两个 AI 主播主持，讨论来自 Hacker News、Github Trending、Kazuhiro AI Hot 和 Producthunt 的内容，音频由豆包播客 API 生成，项目由 Grok bot 协作完成。
GitHubAI 评分6262 audio.cpp 发布 v0.9.1：新增 LFM2.5-Audio 等模型，覆盖 110+ 音频模型家族
基于 ggml 的 C++ 音频推理框架 audio.cpp 发布 v0.9.1，新增 LFM2.5-Audio、Audio Flamingo 3/Next、OWSM/OWSM-CTC。
The Verge · AIAI 评分3838 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
经过一年测试，Amazon 的 AI 助手 Alexa Plus 是目前最好的智能家居助手，能理解"我冷了"这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒。但它在私人助理功能上仍不成熟，Echo Show 上的全屏广告也严重干扰体验。该助手在美国和加拿大可用，Echo 设备上需 Prime 会员或每月 19.99 美元订阅。
GitHubAI 评分1515 ServerMaker1/xtts-api：基于 XTTS-v2 的自托管语音克隆 TTS API
ServerMaker1/xtts-api 是一个基于 XTTS-v2 的自托管文本转语音 API 项目，支持语音克隆与多语言合成。项目采用 Python 编写，技术栈包括 FastAPI、HuggingFace 与 Coqui，面向 TTS 应用的服务端部署场景。
Hacker NewsAI 评分3131 Voxlocal：用 Rust 编写的极简本地语音智能体
开发者开源了 Voxlocal，一个用 Rust 编写、完全本地运行的低延迟语音智能体 CLI 工具，面向 macOS，仅聚焦英语汽车维修场景。它串联 Whisper 语音识别、嵌入向量检索、LLM 决策与 Piper 语音合成，并刻意避开复杂异步流式与 VAD 以保持流程可检查，作者明确提醒不要用于生产环境。
Hacker NewsAI 评分6060 SpeakoFlow 发布免费开源语音听写与 AI 助手，支持 Windows、macOS 和 Linux
SpeakoFlow 是一款免费开源的语音听写与 AI 助手，支持 Windows、macOS 和 Linux，通过快捷键在任意应用中听写、提问和进行语音对话。
GitHubAI 评分6262 Dub Studio 发布 Windows 离线 AI 视频配音工具
Dub Studio 是一个面向 Windows 的免费离线 AI 视频配音工具，可把任意视频换成另一种语言，并克隆原说话人音色、翻译字幕、本地化画面内文字。它采用 Rust 加原生 C++/CUDA 引擎，不含 Python，首次运行时由应用自行下载模型、引擎、CUDA/VC++ 运行时和 ffmpeg，默认模型约 15 GB。
GitHubAI 评分3535 涂鸦发布 agentic-kit：面向 Tuya AI 平台的多模态端侧 SDK
涂鸦开源 agentic-kit，一个让智能硬件接入 Tuya AI 平台的多模态端侧 SDK，支持语音/文本对话、图片理解与生成，以及设备侧 MCP。SDK 提供数据点（DP）管理、OTA 固件升级和 BLE 配网，芯片与操作系统无关，覆盖 macOS、Linux、FreeRTOS (ESP32)、MIPS、ARM。
GitHubAI 评分2222 VoxCPM2 Portable 的 Pinokio 一键启动器发布
timoncool 发布 VoxCPM2_portable-pinokio，这是 VoxCPM2 Portable 的 Pinokio 启动器，负责在隔离的跨平台环境中安装、启动、更新和重置应用。
Hacker NewsAI 评分2222 Fleeting：用 AI 合成会议音频假装你在开会
Fleeting 提供约十二分钟、随机起点播放的合成会议录音，用扬声器外放即可让旁人以为你正在开会。所有声音均为合成语音，人脸为 AI 生成或授权素材，人名除站点作者 John Carroll 外均为虚构，不录制任何真实会议。勾选 "Back-to-back meetings" 后，一场结束会接着播放符合当前时段的另一场，取消勾选则循环播放。
Hacker NewsAI 评分3030 Show HN: SpectroMood 用决策模型做语音情感识别
SpectroMood 是一个开源实验，把语音转成标注图表和相对说话人自身平静基线的声学测量值，再交给 Cloudflare 的 clef-flash 决策模型判断愤怒、恐惧、开心、悲伤或中性。
GitHubAI 评分1515 NotyCaption Pro：基于 Whisper 的 AI 字幕生成应用
NotyCaption Pro 是一款基于 Whisper、Google Colab 和 Google Drive 构建的 AI 字幕生成应用，支持 AI 字幕生成、Whisper 转录、Colab GPU 处理、人声增强以及 SRT 和 ASS 字幕工作流。
GitHubAI 评分2020 RuneForgeAI 的 Hliðskjálf 项目：为 Meta Muse 打造 Raspberry Pi 5 + Hailo-10 边缘协处理器与实时 HUD
RuneForgeAI 的 Hliðskjálf 项目为 Meta Muse 构建了一套运行在 Raspberry Pi 5（16GB RAM）加 Hailo-10 AI2+ HAT（40 TOPS NPU）上的边缘协处理器与实时 HUD。
GitHubAI 评分2222 SeeSense-AI：用 AI 视觉与语音命令辅助理解周围环境
SeeSense-AI 是一款开源无障碍应用，通过摄像头、AI 视觉模型和文本转语音帮助用户理解周围环境，支持 "Nova, describe" 等语音命令操作。应用提供物体识别、朗读文字和语音控制功能，需 Windows 10 或 macOS 10.14 以上系统、至少 4 GB 内存和 500 MB 磁盘空间，并需联网完成初始设置与更新。