GPT-6 Astra虽不支持音频输入，却能通过梅尔频谱图图片零样本识别声音，如狗叫和光剑音效。这显示视觉模型能跨感官解读声学模式，突破官方能力边界，引发对AI感官界限和潜在能力的思考。

网易有道发布全球首款专为iPhone设计的AI耳机OpenPods，基于苹果MFi认证与AI Agent能力，整合录音、转写、翻译、总结等功能，覆盖会议、跨语言沟通等场景。耳机支持20余种语言，可生成纪要和知识库，单耳仅7克，续航32小时，8月27日预售，9月10日发售。

B站发布IndexTTS 2.5语音合成模型，支持中英日西阿五语种零样本配音，推理速度提升2.28倍，并增强跨语言情绪还原与语速控制。团队通过降低语义帧率、换用Zipformer架构及GRPO强化学习优化性能，在情感迁移和说话人相似度上表现优异，旨在让创作者用任意声音、语言和情绪进行配音。

Game Freak新作《Beast of Reincarnation》战斗流畅但缺乏新意。游戏设定在末日日本，主角艾玛可吸收怪物能力，但故事晦涩、谜团解答平淡，玩法简单，关卡设计直白。大量借鉴《尼尔》《怪物猎人》等作品，虽有忧郁氛围，但未能突破，令人失望。

大脑切换听觉注意力时，先快速抓取新声音，再缓慢放开旧声音，形成短暂的双重处理窗口。研究通过脑电图发现，大脑采用“先开后关”策略，并重置语义上下文，而非延续旧信息。这一发现颠覆传统认知，为助听器和脑机接口设计提供新思路，也揭示大脑与AI语言模型处理方式的差异。

本文提出了一种基于ZEGO的手动混流方案，适用于大班和小班课，强调声音主权和焦点切换的管理。方案包括课堂混流管理、学生静音策略及录制回放等细节，旨在提升在线教学体验。

本文讨论了直播中主播声音干扰的问题，提出使用ZEGO的自动混流方案来解决。该方案通过标记主播流为焦点，自动管理音频流，确保主播声音突出，降低维护成本。文章还介绍了自动混流的实现步骤和适用场景，强调了其在直播中的优势。

本文介绍了ZEGO实时音视频SDK的混流焦点语音方案，旨在解决多人会议中重要发言人声音被淹没的问题。通过服务端混流，突出特定发言人的声音，适用于视频会议和在线课堂等场景。方案包括核心原理、关键API参数及实现步骤，强调统一控制和动态切换焦点的优势。

该研究聚焦于文本到声音视频生成（T2SV），旨在从文本生成同步音频的视频。为解决文本条件瓶颈和跨模态特征交互机制不明确的问题，提出了交叉参考重写器（CRR）框架，通过提取语义锚点和生成解耦的字幕对，消除模态干扰，缩小训练与推理之间的差距。

Netflix将于9月23日首播以《威利·旺卡》为主题的真人秀《金票》，节目将使用AI生成的基因·怀尔德声音，并获得其家族同意。12名获胜者及其搭档将参与竞争，最终于9月30日决出冠军。

浙江大学和腾讯团队提出了JAVEdit-100k数据集及评测基准JAVEditBench，填补了音视频联合编辑的空白。研究表明，JAVEdit在评测中表现优异，音视频同步性提升26%。该工作为多模态编辑提供了高质量资源，并指出音频基础模型的不足，未来需加强音频编辑能力。

麻省理工学院（MIT）领导和教职员工讨论如何在大波士顿地区促进创新和人才发展。MIT在2026年《波士顿环球报》发布的“科技领军人物”名单中有八位成员入选。MIT致力于推动人工智能和创业，推出免费在线AI课程，支持学生创业，并在能源、微芯片和清洁技术等领域进行创新，推动波士顿成为技术中心。

Conclave的自名专辑融合了拉丁节奏、合成低音和派对氛围，成为夏季热门音乐。曲目如“Habla”和“Perdón”展现了纽约街头文化，带来愉悦的舞动感。制作人Cesar Toribio巧妙融合多种音乐风格，创造出充满活力的音乐体验。该专辑可在主要流媒体平台上收听。

本文探讨了AI语音聊天机器人的人设与声线设计，强调了三种主要方法：prompt工程、模型微调和声音克隆。prompt工程适合探索阶段，成本低、迭代快；模型微调提高人设辨识度和一致性；声音克隆确保声线独特性。最佳实践是结合三者，根据项目阶段逐步引入，以提升用户体验和产品差异化。

Google DeepMind 发布了新款多模态模型 Gemma 4 12B，参数为120亿，但在多项测试中表现接近260亿参数的模型。其无编码器架构显著降低了推理延迟和内存占用，支持音频输入，并可在普通笔记本上运行，降低了部署成本，为开发者提供了接近顶级性能的选择。