语音 AI 现在能接手什么 —— ChatGPT、Gemini、Copilot 与 Meta 的 9 月第四周发布

开口下达任务、后台完成工作，已成为默认结构

OpenAI 于 9 月 23 日（当地时间）在 X 官方账号上宣布，ChatGPT 语音模式现在可以使用邮件、日历、Slack 等插件。插件是把外部服务接入 AI 助手的部件。语音模式也可以选择 GPT-6 Astra、Sol 和 Luna；在网页和移动端的 ChatGPT Work 中，只靠说话就能制作文档、幻灯片、网站和电子表格，或交办浏览器任务。该功能随最新版应用在全球陆续推出。

开发者这边方向相同。根据 OpenAI 开发者文档，语音模型 GPT-Live 只负责对话，把查询信息、使用工具等实际工作交给后面的智能体。智能体是接到目标后自行完成多个步骤的 AI 程序。它在说话时也能听，所以在查询订单状态期间用户补充条件，对话也不会中断。语音会话按秒计费，后台模型另行计费。

Meta 也在 9 月 23 日（当地时间）的 Connect 2026 上表示，将在未来几个月把个人智能体 Muse 带到 AI 眼镜上。戴着眼镜叫它的名字，它就能针对眼前的商品或传单采取行动；在语音模式下，它会在对话的同时在后台继续工作。购物方面接入沃尔玛、百思买、丝芙兰等以及 Shop Pay、PayPal 支付，工作方面接入 Notion、GitHub、Box，Muse 还会有自己的电子邮件地址。

谷歌的 Live Avatar 同样在对话持续的同时于后台异步调用工具。四家公司都把说话的窗口和干活的引擎分开了。用户开口，工作由后台的智能体完成。

制作声音和面孔的成本降低了

谷歌于 9 月 23 日（当地时间）发布语音合成模型 Gemini 3.8 Flash TTS 和面向大批量处理的 Flash-Lite TTS。TTS 是把文字朗读出来的技术。可以从 2,000 多种现成声音中挑选，也可以用文字描述生成新声音，并为每句台词加上情绪、语速、笑声等表演指示。谷歌表示，它在 Hume AI 的声音设计评测中以 71.4 分排名第一。

值得关注的是克隆。它用 30 秒录音克隆声音，但只有声音主人亲自录制的同意语音与参考语音一致时才会生成。生成的音频带有人耳听不到的 SynthID 水印和来源标识规范 C2PA 信息。AI Studio 的声音克隆在伊利诺伊州、得克萨斯州、欧洲经济区、英国、瑞士和印度无法使用。

第二天，即 9 月 24 日（当地时间），为 Gemini 3.8 Live 配上会说话面孔的 Live Avatar 在 Gemini Enterprise 中推出。它在 97 种语言之间切换时同步口型和表情，用参考图像制作的定制头像只向获得许可的企业开放。同样在 23 日，谷歌让任何拥有谷歌账号的人都能在 Google Vids 中使用新视频模型 Omni 1.1 Flash，免费制作 1080p 视频。要制作更多则需要付费方案。

YouTube 在 Made on YouTube 活动的功能列表中预告了 Auto Dubbing for Live，可把直播实时转换成其他语言的语音。明年初先从英语和西班牙语开始有限开放。同一列表中还有 Likeness detection，用于找出并删除未经许可使用你的面孔和声音的 AI 视频。制作声音与面孔的工具和保护它们的工具在同一周一起出现。

办公室这边：Copilot 会做应用，也会替你等待

微软于 9 月 25 日（当地时间）在官方博客宣布，Copilot 新增 Home、Code 和 Autopilot。Home 把简短对话（Chat）和全程交办的委托工作（Cowork）集中到一处，并可以在其中直接创建和修改 Word、Excel、PowerPoint 文档。

Code 能根据描述制作仪表板、跟踪表、自动化工具等小型应用。它使用与 GitHub Copilot 相同的技术，在隔离环境中运行，可托管在公司租户内——租户是每家公司独立的专属空间。Autopilot 是旧名为 Scout 的智能体，给它名字、角色和目标后，它会关注频道、跟进联系，几天后再接着处理工作。

计费结构也随之改变。日常的回答、草稿和摘要在按用户固定收费范围内使用，而 Cowork、Code、Autopilot 以及 Astra、Fable 等顶级模型按用量计费。Home 和 Code 将在几周内通过抢先体验计划 Frontier 推出，Autopilot 本月底进入非公开预览。智能体工作得越久，费用也累积得越久。

设备和基础设施：眼镜成为入口，电力一路找到太空

Meta 在 Connect 2026 上发布了约 100 克的 Meta VR Glasses。Meta 称其重量相当于一副扑克牌，是首款获得 IMAX Enhanced 认证的 VR 设备，每年提供 100 多场沉浸式体育直播。发布中没有价格和上市日期。带耳机功能的 Ray-Ban Meta Audio 和 Ray-Ban Meta 第三代也同时亮相。

Meta AI 眼镜将加入获得 FDA 许可的听力辅助软件。自觉有轻度至中度听力损失的成年人无需就医或处方，在家几分钟即可完成设置；今年内在美国以 149.99 美元额外购买或通过 Meta One 订阅使用。Meta 表示到今年底将拥有 100 多款 AI 眼镜。

谷歌于 9 月 24 日（当地时间）表示，将通过 SpaceX 的拼车发射任务 Transporter-18 把搭载 TPU AI 芯片的试验卫星送入轨道。这是探索能否在太空部署 AI 算力的 Project Suncatcher 的首次实验，与卫星公司 Planet 合作打造。近地轨道卫星可获得比地面多达 8 倍的太阳能电力。在地面辐射测试中，Trillium TPU 承受了超过五年任务所受剂量的辐射；2027 年谷歌将测试用激光连接两颗卫星。

在推荐和判定方面，文字也成了输入。Spotify 于 9 月 23 日（当地时间）向美国 18 岁以上的 Premium 用户开放 Taste Profile 测试版，展示你的口味摘要并允许用文字修改。TechCrunch 于 9 月 18 日报道，输出概率而非句子的判定模型 Jev 正受到开发者关注，并提到 Vercel 把命令安全分类器换成 Jev 后，结果快了 5 到 18 倍。

使用者要检查的三件事

第一，给语音开放的权限。一旦用说话来发邮件、改日程，一句听错的话就会直接变成执行。先检查语音模式连接了哪些插件，以及发送前确认的设置是否打开。

第二，声音和面孔的同意。谷歌要求克隆时提供本人的同意录音，YouTube 推出了找出并删除未经许可使用的工具。如果计划在公司宣传或培训视频中使用高管或员工的声音，先记录谁在何时同意。

第三，产生费用的地方。微软把长时间运行的智能体工作改为按用量计费，OpenAI 的 GPT-Live 也是语音按秒计费、后台模型另行计费。引入前先用一个月的小规模用量试用，并先设定预算上限。