Edge0 发布开源权重语音克隆 TTS 模型 Audio8-TTS-Realistic，601M 参数，支持 23 种语言，权重与代码以 Apache 2.0 发布。模型只需 1 段参考音频及对应文本即可零样本克隆音色，也可在无参考音色时直接生成语音。自报结果显示其在 CV3 九语言上平均错误率 4.86%，低于 Qwen3-TTS-1.7B 的 7.73%，但在 MiniMax 基准上落后于 4B 级模型，泰语 WER 达 48.57%。
匹配字段标题、摘要、正文
10 人创业公司 Phonic 发布语音模型 Phonic-1，称其能在通话者尚未说完时执行查询和预订。该模型在 Artificial Analysis 语音到语音榜单以 87.1 分居首，比 xAI 的 Grok Voice 3.0 高 0.2 分，客服任务完成率 79.9%，首音频延迟 0.61 秒。Phonic 称其在 Cekura 通话测试集得 90.2 分，但 Cekura 公开榜单列出的 Phonic v1 为 68.3%；公司已完成由 First Round 领投的 2750 万美元 A 轮融资，累计融资 3150 万美元。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的 30B MoE 模型，约 4B 激活参数。该模型支持 40 种语言转写、说话人归属、翻译、上下文提示和音频理解，并在 VoiceArena 的 14 系统说话人分离加 ASR 对比中排名第一。
匹配字段标题
NVIDIA 于 10 月 28 日发布 Nemotron 3.5 Transcribe，这是一款开源权重的语音模型，可转写 40 种语言的音频、翻译语音并识别说话人，开发者可用自然语言指令控制转写格式而无需重新训练。该模型由 Transformer 语音编码器、说话人分离模型和 Nemotron 3.5 Lightning 语言模型组成，约 43 亿激活参数，发布检查点标注为 30B-A4B。NVIDIA 称其在英语 Open ASR Leaderboard 九个公开测试集上平均词错误率为 4.71%，在多语言榜单七个语言上为 4.62%，并称其为两个榜单上最好的开源权重模型；模型以 BF16、FP8、NVFP4 格式及 GGUF 文件发布，采用 OpenMDW-1.1 许可。
匹配字段标题、摘要、正文
NVIDIA 于 2026 年 10 月 28 日发布语音转写与翻译模型 Nemotron 3.5 Transcribe，支持含日语在内的 40 种语言，最长可转写 1 小时录音。该模型为开放权重 30B MoE 架构，推理时约激活 4B 参数，可通过文本指令指定是否保留口头语、数字写法，并支持最多 8 人的说话人区分和日英双向翻译。权重以 NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 在 Hugging Face 发布，采用 OpenMDW-1.1 许可，提供 BF16、FP8、NVFP4 版本及 NeMo Speech 微调工具。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的语音大模型，支持 40 种语言、单次最长 1 小时音频，可通过文本指令选择逐字、书面、说话人标注、上下文和翻译等输出形式。模型总参数约 34B、激活参数约 4.3B，采用混合 Mamba-Transformer MoE 架构，BF16 可在单张 H100 80GB 上运行，NVFP4 版本约 21GB 可在 RTX 5090 上运行。NVIDIA 自报其在 9 个公开英文 Open ASR 测试集上平均 WER 为 4.71%，为开源权重模型最好成绩，但商业 API 仍领先；短板是仅支持离线，中文远场会议 cpCER 为 34.95%。
匹配字段标题、摘要、正文
Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，只用人声对话音频训练，未使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行，速度快于实时；训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），目前未公布基准分数、参数量、权重、论文或 API。
匹配字段标题、摘要、正文
NVIDIA 发布开源权重语音转写模型 Nemotron 3.5 Transcribe，总参数 30B、激活参数 4B，在 Artificial Analysis 的非流式语音转写榜单上取得 2.8% 的 AA-WER，与 Mistral 的 Voxtral Small 并列开源模型第一。在语音智能体对话数据集 AA-AgentTalk 上，它以 1.8% 领先 Voxtral Small 的 2.3%。其激活参数为 4B，而 Voxtral Small 为 24B，同等规模的其他开源模型 WER 约为 4%。
匹配字段标题、摘要、正文
Twitter 联创 Jack 创办的 Block 发布 Dessa，一个从零用纯人类语音训练的 speech-to-speech 模型，无文本、无预训练底座，支持全双工边听边说。该模型声称推理快于实时，可在 MacBook Pro M4 Max 及以上本地运行，整个模型称在一台 NVIDIA GB200 NVL72 上训练完成。团队称其目标是让模型理解语气与情绪，避免听不出对方痛苦仍继续应答的安全风险。
匹配字段标题、摘要、正文
Block 推出全双工语音模型 Dessa，可一边说话一边收听用户语音，并能模拟笑声、停顿、哽咽等情绪表达。官方称其完全基于人类语音数据训练，训练仅使用一组英伟达 GPU 机架，可在 M4 Max 及更高配置的 MacBook 上本地运行。现阶段 Dessa 暂不对外开放试用，Block 正向安全研究者发出测试邀请，重点测试语音智能体欺骗人类的风险场景。
匹配字段标题、摘要、正文
Block 研究实验室发布语音模型 Dessa，采用全双工架构，可边听边说，并能在 MacBook M4 Max 或更强的消费级电脑上本地运行。该模型完全基于人类语音和单张 NVIDIA GPU 训练，官方称情绪、停顿、笑声等表达内建于模型中，而非依赖文本管线驱动。目前 Dessa 未公开开放，Block 正招募安全研究人员测试其可能被用于欺骗对话方的风险。
匹配字段标题、摘要、正文
Block 发布语音模型 Dessa，称其仅用人类对话训练，不使用文本或预训练模型。Dessa 采用全双工方式，可在说话同时继续听并插话、笑或接话；Block 称它能在搭载 M4 Max 及以上芯片的 MacBook Pro 上本地运行。目前 Dessa 是研究预览版，没有发布时间和定价，仅向少量 AI 安全研究者开放早期访问。
匹配字段标题、摘要、正文
IBM 在 Hugging Face 发布 granite-speech-5.0-2b、granite-speech-5.0-470m-turboctc 和更新版 granite-speech-4.1-2b-plus 三款语音模型，均以 Apache 2.0 许可开源。granite-speech-5.0-2b 支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并可在这些语言与英语之间互译，另支持英语译成意大利语和中文，训练数据含 39 万小时公开音频；Turbo CTC 版本扩展到七种语言并原生输出标点与大小写，在 Open ASR Leaderboard 上达到 19,870 RTFx，约为发布时的 1.6 倍；4.1-2b-plus 侧重多说话人长音频，说话人分离 WDER 与 cpWER 均下降 7%，长语音 WER 下降 24%。
匹配字段标题、摘要
ElevenLabs 发布 Eleven Realtime Max 和 Mini 两款语音到语音模型。Eleven Realtime v1 Max 在 Big Bench Audio 上得分 98.8%，开口响应时间为 0.57 秒；Eleven Realtime v1 mini 面向低成本的自然对话场景优化。两款模型均已在 ElevenAgents 平台和 API 上线。
匹配字段标题、摘要
ElevenLabs 推出 Eleven Realtime 语音到语音模型系列，包含面向 AI 助手、教师等场景的 v1 Mini 和面向客服、线索筛选及多步骤流程的 v1 Max 两个版本。两款模型支持 90 多种语言和超过 17000 种音色，将语音识别、轮次切换、语音活动检测与语音生成整合为一个系统。在 Artificial Analysis 的评测中，Max 在 Big Bench Audio 上正确回答 98.8% 的问题，Mini 为 75.9%；Max 首音频平均耗时 0.57 秒，Mini 为 0.62 秒；工具调用任务上 Max 完成 87.1%，Mini 为 60.3%。Eleven Realtime 遵循 OpenAI Realtime 规范，开发者只需修改 API 端点和模型名即可迁移，但使用 WebRTC 的集成需改用 WebSockets。
匹配字段标题、摘要
Mistral 发布 Voxtral 3 语音模型家族，包含语音转文字与文字转语音模型。Voxtral Small Transcribe 3 在 Artificial Analysis Speech-to-Text 榜单上位列第 3，Voxtral 3 TTS 进入前 12。该系列支持 50 多种语言的转写，并提供 Pro Voice 语音适配，可通过 Mistral 的欧盟托管 API 使用或自托管。
匹配字段标题、摘要
OpenRouter 宣布 Mistral 的 Voxtral 3 已上线，该系列包含两个新的语音转写模型和一个新的语音合成模型，覆盖 50 多种语言。Mistral 官方称 Voxtral 3 的 Transcribe 与 Speech 模型为其新的语音智能体 API 提供支持。
匹配字段标题、摘要、正文
Mistral 联合创始人 Arthur Mensch 宣布发布一整套达到 SOTA 水平的语音模型，并附上链接 https://t.co/Ue1S72c9HW。他表示语音将成为 AI 系统最重要的交互界面，Mistral 将语音模型部署在物理位置上靠近推理模型。
匹配字段标题、摘要
Mistral 发布 Voxtral 3，包含 Transcribe 与 Speech 模型，用于支撑其新的语音智能体 API。联合创始人 Arthur Mensch 补充称，Voxtral 可在运行中完成说话人分离和轮次结束检测，既可部署在自有基础设施，也可使用 Mistral 的云端服务。
匹配字段标题、摘要
Mistral 发布 Voxtral 3 语音模型系列，包括一款文本转语音模型和三款语音转文本模型（Small Transcribe 3、Mini Transcribe 3、Mini Transcribe Realtime 3）。Artificial Analysis 评测显示，Voxtral Small Transcribe 3 以 2.1% 的 AA-WER Index 在语音转文本榜单排第 3，领先 ElevenLabs Scribe v2 的 2.2% 和 Grok Voice Transcribe 2.0 的 2.3%；Voxtral 3 TTS 在 Provider Voice 榜以 Elo 1,218 排第 12（共 98 个），定价为 $13/1M characters。
匹配字段标题、摘要、正文