语音AI这周五件事：NVIDIA开源转写模型、1.98元克隆声音被判赔、TTS选型逻辑变了

NVIDIA开源Nemotron 3.5 Transcribe：一个模型干四件事

10月28号，NVIDIA在Research和Hugging Face同步放出了开源权重语音模型Nemotron 3.5 Transcribe，同时公开了Granary v2语音数据管线。

这模型厉害的地方在于它一个顶四个：语音转写、说话人归属标注、翻译、音频问答，全在一个模型里完成。支持40种语言，最长能处理约1小时的录音，最多标注8名说话人。其中31种语言可以和英语互译，13种支持说话人归属。

架构上是语音增强语言模型（SALM）：Transformer语音编码器 + 冻结的Nemotron 3 Diarization + Nemotron 3.5 Lightning 30B-A3B混合Mamba-Transformer MoE，活跃参数约4.3B。

官方自报的数据：英语Open ASR Leaderboard九个公开测试集平均词错率4.71%，多语言榜4.62%，都是开源权重里最好的。给了实体列表做上下文偏置后，命名实体错误大约降到六分之一。

配套还有Granary v2数据清单，覆盖约46.3万小时、48种语言，加NeMo Speech微调配方，可以做领域适配。

对做内容的人来说，最直接的用处是长音频处理。会议录音、播客、访谈、客服通话，一个模型出带说话人区分的转写稿。以前得串三四个工具，现在一步到位。

Phonic-1和Inworld TTS-2：语音智能体在抠细节

11月1号有两款产品更新，都在解决同一个问题——让AI说话更像人。

Phonic发布的Phonic-1，主打"你还没说完，AI先查起来了"。用户还在说话的时候，模型就能调用工具去查信息，等对方说完直接用语音回答。支持50多种语言，对话中途切换语言还能保持同一个声音。Phonic称它在Artificial Analysis的语音对话榜单排第一，已经开放使用。

这个能力解决的问题很实际。以前的语音Agent是"你说完→我开始想→查资料→再回答"，中间那段沉默特别出戏。Phonic-1把查询提前到听的过程中，响应速度就上来了。

Inworld更新Realtime TTS-2，加入按上下文决定语气的能力——模型先判断这句话该怎么说，再生成声音。同次更新还改善了长时间朗读的声音稳定性，短句生成速度提升约13%。

这两件事放在一起看，语音智能体的竞争已经从"能不能对话"进入到"对话得有多自然"的阶段。停顿、语气、抢话这些细节，成了新的战场。

最高法AI声音新规满月：1.98元克隆一个声音的时代结束了

9月7号，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10号）。10月8号落地满一个月，南都做了系列跟进报道，这周国内媒体集中讨论。

《意见》第四条把规则钉死了：未经同意使用自然人声音作为训练语料，模仿其音色、语调和发音风格生成可识别的合成人声的，构成对声音权益的侵害。

已经有判例了。

上海浦东法院判过一起：游戏《原神》63个角色的声音被AI复刻成资源包在二手平台售卖，判赔75万。

北京互联网法院10月19号通报了一起：66岁的李某某，当年在公开场合讲课的视频被人拿去做了声音克隆商用，同样判赔。南都起底发现，二手交易平台上AI声音克隆服务的价格低到1.98元。

还有个细节要注意：最高法明确，即便给内容做了AI标注，只要普通公众能识别出视频形象指向某个特定自然人，未经许可商用合成他人肖像、声音，依然构成人格权侵权。标注只是告知义务，不是免责牌。

配音公司729声工场在接受采访时说了实话：很多生成式工具并没有为资源库付费，而是用大数据捕捉或网络采集来扩充采样库。

这件事对创作者的影响很直接。用AI克隆真人声音，或者把自己声音授权给平台，现在都得留好书面授权记录。别在来路不明的小程序、电商服务里上传自己的录音。

TTS选型逻辑变了：不比音色数量，比会不会返工

11月3号有篇主流TTS工具的横评，里面提到的一个趋势我觉得说得挺准：行业从"音色数量"转向"工程可靠性与技术可控度"。

早期TTS赛道比的是谁音色多。现在创作者和译制团队关心的是另外几件事：

• 长文本分段生成后，音色、语速、情绪会不会漂移
• 多音字、专业术语、混合语种读得准不准
• 多人剧本下音色隔离，会不会随机串音
• 韵律自然度如何，能不能精细干预语气
• 字幕对齐、时长适配、译制流水线这些配套能不能自动化

说白了，比的是稳不稳、要不要反复返工，而不是音色列表有多长。

这个判断我认同。做过几万字数批量配音的都知道，音色少几个不影响，但生成十条有八条要重录，就是灾难。分段一致性、多音字处理、换气停顿控制，这些"不酷"的指标才是真正的效率来源。

选型口诀可以记住：先定内容类型，再看风格维度、长文本一致性、韵律可控度、操作链路、授权清晰程度，最后才比单价。

一家支付公司做了个"会停顿"的语音模型

这周还有个小插曲值得聊。Block（就是做Square那家支付公司）旗下的Dessa语音模型被人写了篇评测。

作者的出发点是：最近看大模型发布越来越难被打动，每次都是代码能力上台阶、榜单换名次，扫完参数直接看价格。反倒是这些专注单一能力的垂直模型有意思。

Dessa的特点听起来很朴素：不抢话、会停顿、能改口。这三个词描述的不是性能指标，是聊天时的体感。作者说用它的时候找回了初次用ChatGPT那种震动。

我觉得这背后有个趋势：语音AI开始从"参数竞赛"走向"体验细节"。当大家都做到了90分音质，剩下的10分——什么时候该停、什么时候该插话、说错了能不能改口——反而成了差异化。

顺手记下三件小事

阿里云虚拟数字人要退市了。产品策略调整，11月30号停止新购，2027年5月31号停止续订和版本更新，2027年11月30号全面停服。官方建议迁移到云市场数字人、蚂蚁灵境、相芯、一知智能这些方案。在用阿里云数字人的团队要提前规划。

百融智能发布"百融声动"。主打Voice AI进入企业服务流程，做客服、催收、质检这类场景。

流式TTS被单独拿出来讨论了。语音之家有篇文章讲得很清楚：大模型已经能逐字生成回答，语音助手却迟迟不开口，问题往往出在TTS还在等完整文本。流式TTS在文本陆续到达时就开始合成，前面的音频播放时后面还在生成。做实时对话的话，这块值得研究。

如果你只是想给短视频、有声书、课件配个音，不用管上面这些技术细节。浮云梦配音（fuym.cn）手机浏览器打开就能用，音色、语速、情感直接在页面上调，生成完下载。批量任务可以走异步接口。