🎙️ 多模态生成 & 语音 & TTS 每日简报

日期：2026年7月9日（周四） 覆盖：X(Twitter)、GitHub、arXiv、行业新闻

一、🔥 头部企业动态

1. OpenAI 正式发布 GPT-Live — 全双工语音模型 [重磅]

7 月 8 日 OpenAI 发布 GPT-Live，ChatGPT 第三代语音技术。核心升级：全双工架构——AI 可同时听和说，支持自然打断、插话、应和（"嗯"、"懂了"），复杂任务自动后台调用 GPT-5.5 但保持对话流畅。150M+ 周活语音用户。付费用 GPT-Live-1，免费用 mini。iOS/Android/Web 全球上线。X 上评价两极：有人称"最自然的 AI 语音"，也有人认为 Sesame Maya 仍更好。

📎 OpenAI 官方 | TechCrunch | The Register | X: @pirwot, @_EdgeOfTheWeb, @itsauralis

2. Agora × Gradium 战略合作 — 超低延迟 TTS

7 月 9 日，Agora 与 Gradium 宣布合作，将 Gradium TTS 集成到 Agora 对话式 AI 引擎。155ms 首音延迟，10 秒音频即可克隆声音，支持云端/私有化/本地部署。

📎 MarketScreener

3. Omilia 发布 Lexis — 企业级联络中心 TTS

<45ms 延迟，SOC 2/HIPAA/GDPR 合规，零第三方数据泄露。25+ 语种，角色化语音预设。

📎 SpeechTechMag

二、🚀 开源与技术突破

1. 清华 OpenBMB 开源 VoxCPM2 — 文本描述即可创造新声音

清华/智源 OpenBMB 团队开源 VoxCPM2：2B 参数，200 万+ 小时训练，30 种语言，48kHz 音质。独特功能：Voice Design——用文字描述（如"温暖的老年男性声音"）即可创造新声音，无需参考音频！Apache 2.0。部分指标声称超越 ElevenLabs。

📎 GitHub: OpenBMB/VoxCPM

2. Resemble AI 发布 Chatterbox Nano & Flash

Nano (110M)：边缘设备，CPU 上 3x 实时，支持 [laugh]/[sigh] 标签，MIT 协议
Flash：首个生产级扩散-LLM (dLLM) TTS，速度是自回归基准的 2x
累计下载 1300 万+次

📎 Resemble Blog

3. Mistral 发布 Voxtral TTS — 可跑在手表上

基于 Ministral 3B，可部署在智能手表/手机，9 语言，<5 秒声音克隆，90ms 首音延迟。

📎 xix.ai 报道

三、📚 学术前沿

论文	亮点
TED-TTS (ACL 2026) — ACL Anthology	无需训练的句内情绪+时长控制，一句话中情绪可切换
Emotional Flow Rectification (ACL 2026) — ACL Anthology	解决高唤醒度 TTS 的"情绪崩溃"问题，无需重新训练
BlueMagpie-TTS — arXiv:2607.06054	台湾腔+中英夹杂 TTS，WER 从 14.83%→5.36%（64% 提升）
TKTO (ACL 2026) — ACL Anthology	Token 级偏好优化 LLM-TTS，日语准确率提升 39%
LibriQuote (ACL 2026) — ACL Anthology	5,300 小时有声书数据集，标注角色引语情感（"他轻声低语"）

四、⚖️ 行业监管

EU AI Act 第 50 条 — 8 月 2 日生效倒计时 24 天。要求所有 AI 音频强制可读水印。Chatterbox、Gemini 已内置，多数开源模型仍缺。

五、📊 今日关键趋势

趋势	说明
全双工成为标配	GPT-Live 正式上线，双向语音从"实验"变"产品"
Voice Design 新范式	VoxCPM2 文字描述创造声音，无需参考音频
端侧 TTS 爆发	Nano(110M)、Voxtral(手表级)、CPU 实时推理
企业级 TTS 竞赛	Lexis(45ms)、Agora(155ms) 争夺延迟和合规
情绪控制精细化	句内情绪切换、高唤醒度稳定性成新课题

📌 免责声明：本简报仅作信息整理。每条新闻附出处链接。 📁 存档：daily-briefings/2026-07-09.md