Aravind Srinivas@AravSrinivasAI 评分5050We worked with @therealbradysm, @annuskabarta, and the rest of the multimodal team to bring this incredible new voice mode to Perplexity web. - Natural back-and-forth conversation - Navigate the app entirely by voice - Work across multiple sessions at once Runs on GPT-Live-1. Lots more improvements to come!
OpenRouter@OpenRouterAI 评分5151Introducing AssemblyAI-TTS-1, our first text-to-speech model. Natural speech for voice agents, streaming in 90 ms, at $15 per million characters. On accuracy, naturalness, and cost together, it’s the best TTS model you can run at scale.
Databricks 发文阐述语音智能体落地关键在于上下文而非语音本身，其原型用 LiveKit 承载通话、Deepgram 做语音转文字与默认音色、ElevenLabs 提供表现力音色，大脑部分由 Databricks 提供。
Baseten 优化了 Qwen3-ASR 1.7B 的批量转写部署，在 64 并发下吞吐比原生 vLLM 高 7 倍以上，成本降至每音频小时约 $0.0013，比闭源提供商低约 277 倍。
Artificial Analysis@ArtificialAnlysAI 评分5555
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，可转写 40 种语言、在 31 种语言与英语间互译、识别最多 8 个说话人，支持最长 1 小时的录音，并能通过提示词控制输出或回答音频内容问题。
Aravind Srinivas@AravSrinivasAI 评分6060
Nvidia 发布免费开放权重的语音转写模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，可处理最长 1 小时的录音并区分最多 8 个说话人，还同步发布了第 2 版开源语音数据集 Granary。
Artificial Analysis@ArtificialAnlysAI 评分5757NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe，现已在 Hugging Face 和 ModelScope 提供，单一模型支持 40 种语言转写、31 种语言翻译、13 种语言说话人分离和音频问答，可处理最长一小时、最多 8 个说话人的录音。
ElevenLabs@ElevenLabsAI 评分5656
Artificial Analysis@ArtificialAnlysAI 评分4141
Gemini Notebook@Gemini_NotebookAI 评分5050NotebookLM 移动端应用新增实时录音功能，可直接在应用内录制最长 1 小时的讲座、会议等音频并立即用作来源。作者建议将录音与手写笔记照片结合，打造更个性化的工作区。
Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。
推荐理由：官方完整说明了 Genie 4 的实时交互、原生音频和与 Gemini 协作机制，也坦陈当前在长时一致性和物理精度上的局限。
火山引擎介绍《不问凡尘》如何用AI完成研发：约20人团队9个月上线，Steam 好评率87%、超26万玩家，成本约为传统制作的1/3。核心资产由 Seedance 2.0/2.5 生成视频、Seedream 5.0 Pro 生成图像、Seed TTS 结合 Seed Character 生成语音，项目组用状态机连接图层和玩家输入实现交互，并借助 TRAE 与 Agent 工作流搭建自动化生产管线。
Ollama 于 10 月 24 日宣布 Mac 应用正式支持文本转语音（TTS）生成，Windows 和 Linux 版本随后跟进，首个支持的是 Gradium 的 Phonon 系列语音模型，可在 Apple Silicon Mac 上离线运行。
腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，响应时间实测约 3 秒，低于人类专业译员 4-5 秒的平均水平，并支持实时音色克隆。该模型在腾讯 Hy 翻译 App 首发免费体验；在长音频评测集 RealSI 上延迟最低且效果达开源模型最佳，团队还邀请 6 位持 CATTI 一二级证书的人类同传专家对比测评，称其在翻译质量上达到专家水平且时延更低。
Tencent Hy@TencentHunyuanAI 评分575710 月 26 日，腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，实测响应时间约 3 秒，低于人类专业译员平均的 4-5 秒。
推荐理由：原文给出实测时延约 3 秒、对比人类同传专家和商用 API 的测评细节，以及 HuggingFace、GitHub 等开源入口，读者可据此评估其在真实同传场景的可用性。
Ollama 宣布支持语音模型，首个上线的是 Gradium 的文本转语音模型 Phonon，目前可用于 macOS，Windows 和 Linux 支持即将推出。
Jack Dorsey 旗下 Block 公司推出全双工语音模型 Dessa，可边说话边收听用户语音，能模拟笑声、停顿、哽咽等情绪表达，完全基于人类语音数据训练，知识来自训练对话数据而无需搭配大语言模型。
Jack Dorsey 旗下 Block 的研究实验室发布语音模型 Dessa，可在单块 NVIDIA GPU 上本地运行，支持全双工对话，能同时说和听。模型完全基于人类语音训练，带有笑声、停顿、哭泣等情感表达，官方称其知识来自对话数据而非搭配大语言模型。该模型可在 MacBook M4 Max 等消费级电脑上运行，目前尚未公开，Block 正招募安全研究员测试。
Block 发布 AI 语音模型 Dessa，称其为首个完全基于人类语音、不含任何文本数据从零训练的模型，直接以音频处理语音而非先转文字，可实时捕捉情绪、讽刺、笑声和停顿。Dessa 支持全双工交流，可在 MacBook Pro M4 Max 本地运行，训练使用单台 NVIDIA GB200 NVL72。该模型尚未公开，团队正招募 AI 安全研究人员测试潜在风险。
NVIDIA 发布开源小语言模型 Nemotron 3.5 Bolt E4B 4GB，基于 Google 的 Gemma 4 E4B 仅用强化学习做后训练、不用 SFT，面向 RTX、Jetson 和 DGX Spark 等本地硬件上的语音助手、游戏 NPC 和机器人。
Jack Dorsey 旗下 Block 发布名为 Dessa 的语音 AI 模型，称其完全从零只用人类对话训练，是真正的语音到语音模型。示例对话显示交互自然但偶有尴尬和错认，团队称其可在 MacBook Pro M4 Max 或更高配置上本地运行，并将向一小群 AI 安全研究者开放早期访问。
Audible 技术团队用可控 TTS 合成有声书，通过自然语言语音描述控制对白表达，角色对白区分度在 MUSHRA 测试中提升 3.7 分。其 BookLLM 组件自动识别书中角色并标注对白，在 25 本英西语书籍上角色识别准确率分别为 97% 和 94%。在英西语测试中，十种声音里有八种听感获得统计显著改善。
面壁智能在 CNCC 2026 期间举办第三届端侧大模型论坛，以"定义端侧通用人工智能"为主题，围绕文本、语音、多模态交互、AI 自进化与智能体五大方向展开。MiniCPM 系列累计下载量突破 6000 万次，17 次登顶 Hugging Face 榜单首位，MiniCPM5-2B 在 AA-Index 4B 以下排名第一。
Gradium（从 Kyutai 分拆的巴黎语音 AI 公司）开源 Phonon 端侧 TTS 模型家族，其中英文 Phonon 31m 为 31M 参数、64.5 MB q8 GGUF，采用 Apache 2.0 许可证，无需 GPU 或云端调用即可在 CPU、手机、树莓派 5 和浏览器上运行。
极米记得 AI 记忆手环 L1 于 10 月 22 日上架，提供黑色、米色配色，售价暂未公布。该产品支持腕上手环与胸前吊坠两种形态自由切换，可全天候 AI 录音并自动记录整理记忆，还支持基于个人记忆的 AI 对话、自动整理纪要与待办提醒，原始音频用完即删、记忆加密存于手机，综合续航 2-5 天。同日极米记得 AI 记忆眼镜 G1 也已上架，功能与手环相近。
Sierra 发布 𝜏-Entity 基准，测量语音智能体能否正确采集、识别错误并修复姓名、电话号码、地址和邮箱等细节，包含 10 种实体类型共 200 个任务，并与 𝜏-i18n 一样覆盖六种语言。
推荐理由：Sierra 自建基准和论文量化了语音智能体在准确采集姓名、电话等细节上的失败率，并给出可迁移的验证策略效果数据。
Nirva 完成 2500 万美元 pre-Series A 轮融资，加上今年早些时候的 800 万美元，总融资达 3300 万美元。其首款设备是重约 8 克、续航最长 3 天的吊坠，也可作手链佩戴，通过用户录入的语音样本建模并过滤周围他人声音，只记录佩戴者本人，处理后默认不保留音频和转录。该设备定价 249 美元，11 月开始接受订单，目标年底前发货给早期用户。
IBM 发布开源语音语言模型 Granite Speech 5.0 2B，2B 参数、Apache 2.0 协议，支持 6 种语言的语音转写和 X-to-English 翻译，在 Open ASR Leaderboard 以 5.68% 平均英文 WER 位列开源模型第二，仅次于 Qwen3-ASR-1.7B（5.40%）。
科大讯飞在 1024 开发者节上首发星火语音基座大模型 SparkAudio 1.0，集成机器翻译、语音识别、语义理解等能力，宣称在实时说话人分离、环境理解、音频理解、情绪识别等方面表现卓越。
这篇教程在 Apple M4 的 CPU 上实测 Cactus Compute 的 16.9 MB 语音转写模型 Whistle，用配对说话人聚类 bootstrap 加 Holm 校正与 Whisper tiny 和 base 对比。
Sierra 发布 𝜏-i18n，将 𝜏-Voice 扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五门语言，使用统一的航空、零售、电信任务跨语言对比。
Artificial Analysis@ArtificialAnlysAI 评分5454
