本期编辑：@ 三水、@ 鲍勃

01 有话题的技术

1、ElevenLabs 上线 Sounds on ElevenMusic：免费提供 AI 音效与 Loop，支持文本生成新声音

ElevenLabs 在 ElevenMusic 上线 Sounds 免费音效库，用户可以直接浏览、试听和下载 AI 生成的声音素材，并用于音乐创作。当前素材覆盖 Vocal Chops、Drum Loops、Bass Loops 等类型，Free 和 Pro 账户均可使用。

AI 音效与 Loop 可免费浏览、试听和下载： 用户登录 ElevenMusic 后即可下载所需素材，无需单独购买 Sample Pack。
支持通过文字描述生成新声音： 如果现有素材库中没有需要的声音，用户可以描述目标声音，生成独立 Stem 或包含多层声音的 Loop，并提供每日免费生成额度。
用户生成内容会自动扩充公共音效库： ElevenLabs 表示，新生成的 Sounds 会加入 Public Library，其他创作者可以继续发现和使用这些素材。
当前覆盖多类音乐制作素材： 包括 Vocal Chops、Drum Loops、Bass Loops 等，可直接作为歌曲制作中的节奏、低音或人声素材使用。

https://elevenlabs.io/blog/sounds-on-elevenmusic-a-free-library-of-ai-sounds-and-loops

( @Elevenlabs)

2、Soniox 发布 Soniox TTS v2：支持 60+ 语言、音频标签表情控制与低延迟流式生成

欢迎使用 Soniox TTS v2，这是我们目前最强大的文本转语音模型。 Soniox TTS v2 带来了卓越的语音质量、通过音频标签实现的丰富表情控制、极高的精准度、高保真度的语音克隆功能、超过 60 种语言支持、自然语言混音功能，以及低延迟的流媒体播放能力。所有这些功能都在同一个模型中得到了整合。 Soniox TTS v2 从零开始构建，采用全新的模型架构、音频编解码器以及高度优化的推理引擎。其生成的文本合成语音每小时仅需 0.70 美元，堪称超值的文本合成解决方案。该软件今日在全球范围内可用，版本为 ts-rt-v2。试试看： https://soniox.com/text-to-speech 打开声音功能，看看能实现什么。

( @Soniox)

3、Sekai2 公布大规模真实世界视频数据集：2826 小时视频配套 3D 相机轨迹与时间定位描述

Alaya Lab、上海创智学院、武汉大学和清华大学团队公布 Sekai2，一套面向 Interactive World Modeling 的长时真实世界视频数据集。数据集包含 128,892 段视频、总计 2,826 小时，覆盖 113 个国家和地区，每段视频同时提供相机运动轨迹和分层语言标注。

包含 128,892 段、2826 小时真实世界视频： 平均单段长度为 78.9 秒，场景覆盖步行、驾驶、骑行、铁路、船只、缆车、扶梯和无人机飞行等不同运动方式。
每段视频都配套 3D Camera Trajectory： 数据使用 ViPE 等几何流程生成逐帧相机轨迹，使视频中的视觉变化能够与相机在三维空间中的移动和旋转对应起来。
提供 649,597 个时间定位 Segment： 平均每段视频包含 5.04 个 Grounded Segment，中位长度为 15 秒；除 Clip-level 描述外，每个 Segment 还提供独立时间范围、文本描述和相机运动标签。
包含 982 段自采集 360° 长视频： 该部分共约 119 小时，平均单段 436 秒，并通过闭环路线与几何验证优化长轨迹，用于保留重复访问同一区域时的连续空间结构。
数据和代码尚未正式开放下载： 当前项目页和 GitHub 已公布数据规模、标注结构和验证结果，但 Dataset、数据处理 Pipeline、Annotation Tooling 和分析代码仍标记为 coming soon。

( @Sekai)

4、Qwen-Audio-Agent 现已接入 DeepSeek Harness，任一 Harness 皆可以是后台

（@ 阿里语音 AI）

5、小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座

小红书 dots 团队开源 dots.tts，一款 20 亿参数、全连续、端到端的自回归 TTS 模型。模型跳过离散声学 Token，直接在 48kHz AudioVAE 连续隐空间中逐块生成语音，并开放从基础训练、低步数蒸馏到 1T1A 双流推理的完整链路。

seed-tts-eval 困难文本

参考音频：「由于对球没有很好的控制力，我通常打直球。」

生成音频：「喇嘛与哑巴打南边来了个哑巴，腰里别了个喇叭；打北边来了个喇嘛，手里提了个獭犸。提着獭犸的喇嘛要拿獭犸换别着喇叭的哑巴的喇叭；别着喇叭的哑巴不愿拿喇叭换提着獭犸的喇嘛的獭犸。不知是别着喇叭的哑巴打了提着獭犸的喇嘛一喇叭；还是提着獭犸的喇嘛打了别着喇叭的哑巴一獭犸。喇嘛回家炖獭犸；哑巴嘀嘀哒哒吹喇叭」

采用全连续自回归架构： 文本经 BPE 输入 LLM，因果 Semantic Encoder 持续提取已生成语音的语义历史，AR Flow-Matching Head 在 AudioVAE 连续隐空间中生成后续音频，全链路不使用离散声学 Token。
1T1A 双流模式首包延迟 54.4ms： 上游 LLM 从输出第一个文本 Token 开始，TTS 即可同步消费文本并生成音频，使文本流与语音流交错推进；论文条件下普通流式模式首包延迟为 85.4ms。
开放四步、两步和单步低步数生成： 团队先通过 SOAR 缓解连续自回归中的误差累积，再使用 MeanFlow、sCM 与 Reward-Aware DMD 将生成过程压缩至四步、两步和单步，以适配不同质量、延迟与吞吐需求。
Zero-shot Voice Cloning 平均 SIM 达到 79.2： dots.tts SOAR 在 Seed-TTS-Eval 中文、英文和中文困难集上的 WER/CER 分别为 0.94%、1.30% 和 6.60%，SIM 分别为 81.0、77.1 和 79.5；在 MiniMax-Speech 24 语种评测中平均 SIM 为 83.9。
同一基座扩展至可控语音编辑： dots.tts.edit 支持文字替换、插入与删除，以及情绪、音高、语速和停顿编辑，多种操作可以组合后通过一次生成完成。

本次开源覆盖六个 checkpoint，并提供训练、推理、微调、蒸馏和 1T1A 双流推理代码，采用 Apache 2.0 License。

https://github.com/studio-dots-ai/dots.tts

小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座

（@dots.tts）

02 有亮点的产品

1、Matic 推出 Cues：机器人支持语音与手势联合控制，可通过指向位置直接下达清洁指令

家用机器人公司 Matic 推出 Cues 交互功能，让用户通过语音、身体动作和空间指向直接控制机器人。机器人可以结合听到的指令与看到的手势定位目标，例如用户指向地面污渍并说「清理这里」，Matic 会识别位置并执行清洁任务。

支持 70+ 种语言的语音控制： 用户说出「Hey Matic」后，机器人可以定位声音方向并转向用户，再继续接收后续指令；官方帖中另一个示例称当前可理解 75 种语言。
将语音和 Pointing 手势结合： 用户可以直接指向地面的具体位置并下达「clean this」等指令，Matic 会结合视觉、语音和已有的 3D 空间信息定位清洁目标。
支持 Follow Me： 用户说「Hey Matic， follow me」后开始移动，机器人可以跟随用户行走。
可通过自然语言调用已有家庭地图： 用户可以直接要求机器人「去清理客厅」，Matic 会根据已经建立的房屋地图导航到指定区域并执行任务。
现有用户可直接开启 Cues： Matic 用户可在 App 的 Settings → Matic Cues → Discover Commands 中查看和使用相关指令。