阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，重点覆盖阿联酋方言、阿拉伯语方言、现代标准阿拉伯语和英语。在 Open Universal Arabic ASR Leaderboard 的六个测试集上，其平均 WER 为 20.92%，比该榜单快照中最佳公开结果好 2.25 个百分点；内部阿联酋方言评测中 WER 为 22.73%、CER 为 10.19%，WER 比 Qwen3-Omni 低 4.07 个百分点。模型用同一套权重支持英语、法语、西班牙语和葡萄牙语，无需指定语言，并支持词级时间戳，已在 Hugging Face Demo Space 开放试用，API 与原生应用尚在计划中。
匹配字段标题、摘要
微软 AI 发布首款流式语音转文字模型 MAI-Transcribe-2-Streaming，支持 60 种语言并自动连续检测语种，在收到音频后 100 毫秒出头即输出首个部分转写结果。Artificial Analysis 的 AA-WER Streaming 测试显示，其最终转写与首个部分转写均为 2.5% WER，在 38 个模型中均排第一，最终结果延迟 0.13 秒。该模型定价为每小时音频 0.54 美元（2026 年底前的尝鲜价），可通过 Realtime API 或 Azure Speech SDK 接入，目前为公开预览，无 SLA 且未开放权重。
匹配字段标题、摘要
微软发布首款流式转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动连续语言检测，在 Artificial Analysis 的最终与部分转写准确率上均排名第一，收到音频后 100ms 出头即可给出首个部分结果，年内按每小时音频 0.54 美元计价。同时发布多语言文本转语音模型 MAI-Voice-2.1，支持 23 种语言和 26 个地区，单一音色可用各语言的原生口音，定价每 100 万字符 22 美元；以及面向高并发低延迟场景的 MAI-Voice-2.1-Flash，端到端延迟 150ms、可生成 45 秒音频，推理速度提升 55%，定价每 100 万字符 15 美元。三款模型可通过 Microsoft Foundry 等渠道使用，MAI-Voice-2.1 系列已上线 OpenRouter。
匹配字段标题、摘要
ElevenLabs 发布 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称其为目前最具情感表现力的文本转语音模型。Eleven v4 在 Artificial Analysis 排名第一，盲测中约 75% 听众更偏好它；Eleven v4 Turbo 面向智能体等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms。两款模型支持 90 多种语言，可用 [laughs] 等内联标签控制语气与音效，Instant Voice Clones 仅需 10 秒音频，并新增 Professional Voice Clones 支持，现已在 ElevenAgents、ElevenCreative 和 ElevenAPI 上线。
匹配字段标题、摘要
Google 于 2026 年 9 月 23 日发布文本转语音模型 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，前者支持用自然语言提示词在 100 多种语言和方言中定制音色与口音，并拥有 2,000 多种音色的语音库，30 秒音频样本即可复现一致的语音特征；后者面向大批量配音和音频内容制作，强调成本效率。两款模型均可按台词指定语气与表演，并加入笑声、叹息、mhm 等副语言声音，在 voicearena.com 的盲测人工评估中于日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语等语言上获得靠前评价。语音克隆需提交说话者本人的口头同意录音，所有生成音频均嵌入 SynthID 水印。两款模型将陆续开放，Flash TTS 可在 Gemini Notebook 试用，Flash-Lite TTS 可在 Google Vids 试用，开发者可通过 Google AI Studio 和 Gemini API 使用。
匹配字段标题、摘要
Google 在 AI Studio 上线新版文本转语音与声音设计模型，提供数千种新音色可选。该模型支持在 30 秒内复刻自己的声音、用提示词设计音色，并通过表达标签控制语音效果。
匹配字段标题、摘要
xAI 发布 Grok Voice Transcribe 2.0，称其为全球最准确的语音转写模型，并附上相关链接。
匹配字段标题、摘要
xAI 发布 Grok Voice Transcribe 2.0 语音转写模型，称其准确率是 Grok Voice Transcribe 1.0 的两倍，价格不变。该模型在 Artificial Analysis 公开榜单的 32 个流式模型中准确率排名第一，并支持批量与流式转写、词级时间戳、说话人分离、多声道转写和关键术语偏置等功能。批量转写定价为每小时音频 $0.10，流式为 $0.20，该模型将很快成为 Speech-to-Text API 的默认选项，1.0 版本将在未来几周内弃用。
匹配字段标题、摘要
腾讯混元正式发布开源基础模型 AuK，面向统一的语音生成与编辑，采用自然语言指令加参考音频的单一接口，支持零样本 TTS、指令控制生成、内容编辑、耳语转换、去口音、音色风格情感编辑、语速音高控制、增强降噪、多说话人分离与音乐分离。同时发布 AuK-Flash，采用 4 步推理，在匹配条件下约快 4.5 倍。代码、权重与 demo 均已上线。
匹配字段标题、摘要
微软发布 MAI-Transcribe-2 语音识别模型，称其在 FLEURS 基准 60 种语言上平均词错误率为 5.2%，并在 Artificial Analysis 准确率与延迟帕累托前沿居首。该模型支持说话人分离、词级时间戳、关键词偏置、可配置转写风格和语码转换，官方称比 OpenAI GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。模型已在 Microsoft Foundry、MAI Playground 和 Open Router 提供试用，年底前限时定价为每小时 0.10 美元。
匹配字段标题、摘要
Meta 发布 Muse Voice Transcribe，这是 Meta Superintelligence Labs 的首个实时音频感知模型，今日起通过 Meta Model API、Meta AI for Mac 和 Muse Code 提供。该模型支持实时流式 ASR、20 人以上说话人分离和端点检测，多语言并支持无缝语码切换，可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 家族的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）处理，每块一个 token，并用词错误率与延迟奖励的 RL 实现自适应延迟。
匹配字段标题
Cartesia 发布语音模型 Sonic-3.6，在 15 个地区的盲测中听众偏好度最高达 93%，并在 Artificial Analysis 排行榜的 controlled 和 provider voice 两个榜单上均排名第一。该模型支持 44 种语言，新增 Odia 和 Urdu，并改进了口音保持和 Hinglish 代码切换能力。
匹配字段标题、摘要
Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，支持 85 种以上语言，具备智能纠错和自定义词汇功能。作者用该模型开发了一个类似 Wispr Flow 的应用，并公开了演示和开源代码。
匹配字段标题、摘要
Google AI Developers 发布 Gemini 3.5 Transcribe，一款面向代码场景的语音转文字模型，可在转写时过滤口语中的犹豫停顿，并依据当前上下文精确对齐技术术语、文件名和代码变量。该模型通过视觉偏置为复杂开发者工作流提供屏幕感知上下文，官方同时给出了开始构建的入口链接。
匹配字段标题、摘要
Google DeepMind 发布 Gemini 3.5 Transcribe，一款面向实时转写的语音转文本模型，已在 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 向开发者开放。相比此前的 Chirp 3，其最终转写时间据 Artificial Analysis 测量提升 70%，在 FLEURS 基准上流式模式 WER 为 5.50%、非流式模式为 5.04%，并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入 Gboard、Antigravity、Gemini app 和 Chrome 等产品，LangChain、LiveKit、Vercel 等平台通过 Gemini Live API 提供支持。
匹配字段标题、摘要
NVIDIA Magpie TTS Multilingual 以开放权重支持 12 种语言，并允许开发者在自有基础设施上部署、微调语音和定制发音。NVIDIA NIM 本地测试中，单流首音频延迟为 32–79ms；B200 在 64 路并发时达到 239ms 和 320× 实时吞吐量。
匹配字段标题、摘要
xAI 发布新一代语音模型 Grok Voice Think Fast 2.0，在智能、转写准确率和对话能力上均有提升。官方称在 24 种语言、数千条短语的评测中，其转写准确率相对 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0 倍，相对 Grok Voice Think Fast 1.0 提升 1.4 倍，噪声环境下与专用语音转文字模型的差距扩大到约 10 倍。该模型在说话的同时并行推理，推理 token 效率更高，工具调用通常在智能体第一句话结束前执行。2026 年 8 月 5 日起 grok-voice-latest 将指向 2.0，无需手动升级，定价为每分钟音频 $0.08。
匹配字段标题、摘要
Google DeepMind 发布 Gemini 3.5 Live Translate，可自动识别 70 多种语言并持续生成近实时译音，同时保留说话者的语调、节奏和音高。该模型仅落后说话者数秒，支持嘈杂环境和多语言输入。它正向 Android、iOS 版 Google Translate 全球推送，Google Meet 将于本月面向部分企业 Workspace 客户开启私密预览。
匹配字段标题
微软 AI 发布文本转语音模型 MAI-Voice-2，从仅支持英语扩展到 15 种语言，并新增 sad、whispered、excited 等情感标签控制。该模型支持用 5-60 秒参考音频做零样本声音克隆，在对比测试中被 72% 的偏好选择优于前代 MAI-Voice-1，现已上线 Microsoft Foundry，并正在集成进 VSCode 和 Dynamics 365 Contact Center。
匹配字段标题、摘要
微软 AI 发布七款自研 MAI 模型，覆盖图像、语音、转录、编码与推理，包括旗舰推理模型 MAI-Thinking-1、面向 GitHub Copilot 的 MAI-Code-1-Flash、MAI-Image-2.5、MAI Transcribe-1.5 和 MAI-Voice-2。MAI-Thinking-1 在盲测人工对比中优于 Sonnet 4.6，MAI Transcribe-1.5 支持 43 种语言且速度是竞品的五倍，MAI-Image-2.5 的 Arena 分数超过 Nano Banana Pro。模型将在 Foundry、OpenRouter、Fireworks 和 Baseten 上提供，开发者首次可以自行微调模型权重；微软同时宣布与 Mayo Clinic 合作共建医疗前沿模型。
匹配字段标题、摘要