搜索“语音”

Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Perplexity CEO Aravind Srinivas 宣布,新语音模式向所有 Pro 和 Max 用户开放,覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话,并行推进多项工作流。目前尚无后续发展事实。

Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Perplexity CEO Aravind Srinivas 宣布,新语音模式向所有 Pro 和 Max 用户开放,覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话,并行推进多项工作流。目前尚无后续发展事实。

查看事件：Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Cartesia推出Managed Agents语音智能体平台

Cartesia 推出面向企业通话场景的端到端语音智能体平台 Managed Agents。据 Cartesia 产品与研究发布的信息,该平台在 Artificial Analysis 的 Speech Agent Arena 上以 1115 的偏好 Elo 在 30 个智能体中排名第一;在 ServiceNow 的 EVA-Bench 上取得 87.4% 的准确率和 90.7% 的体验分,两项均为最高。平台将语音模型与 harness 联合设计,提供 44 种语言、工具调用、知识库和外呼批次等能力,官方称已在金融、零售、酒店和医疗场景支撑数千万次对话。Rohan Paul 于 10 月 30 日的报道同样提到该平台在 Speech Agent Arena 盲测人类偏好和 EVA-Bench 上排名第一,并称其 H-Nets 在受控扩展实验中效率提升 3–5 倍。

NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

AssemblyAI推出首款文本转语音模型AssemblyAI-TTS-1

2026年10月29日,AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1并正式开放,面向实时电话语音智能体,定价为每100万字符15美元,不设年度合同和并发档位。据MarkTechPost报道,该模型仅以托管API形式在us-east-1和eu-north-1提供,支持HTTP、WebSocket和OpenAI兼容接口,内置4000多种音色、即时声音克隆和6种语言;厂商自测显示实体准确率93.7%、首字节中位延迟47毫秒,但Cekura独立基准测得流式延迟159毫秒、朗读准确率81.5%,且发布时尚不支持SSML、语速控制和情感标签。同日,Artificial Analysis的Provider Voice Arena评测显示,AssemblyAI-TTS-1以Elo 1227排名第12,发音鲁棒性得分81.7%排名第16,生成速度为每秒162字符。当天晚些时候,OpenRouter宣布AssemblyAI-TTS-1已上线,面向语音智能体场景,可从美国或欧盟节点提供服务。

NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

查看事件：NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1

2026年10月29日,AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1并正式开放,面向实时电话语音智能体,定价为每100万字符15美元,不设年度合同和并发档位。据MarkTechPost报道,该模型仅以托管API形式在us-east-1和eu-north-1提供,支持HTTP、WebSocket和OpenAI兼容接口,内置4000多种音色、即时声音克隆和6种语言;厂商自测显示实体准确率93.7%、首字节中位延迟47毫秒,但Cekura独立基准测得流式延迟159毫秒、朗读准确率81.5%,且发布时尚不支持SSML、语速控制和情感标签。同日,Artificial Analysis的Provider Voice Arena评测显示,AssemblyAI-TTS-1以Elo 1227排名第12,发音鲁棒性得分81.7%排名第16,生成速度为每秒162字符。当天晚些时候,OpenRouter宣布AssemblyAI-TTS-1已上线,面向语音智能体场景,可从美国或欧盟节点提供服务。

查看事件：AssemblyAI推出首款文本转语音模型AssemblyAI-TTS-1

Ollama上线语音模型Phonon,支持文本转语音

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

Scaled Cognition推出语音模型Voice

Scaled Cognition Inc. 于2026年10月20日推出文本转语音模型 Voice。据 SiliconANGLE 同日报道,该模型支持25种以上语言和声音克隆,可通过 API 调用或自托管部署,主打账号、地址等细节的准确朗读。报道称,托管 API 定价为每百万字符9美元,自托管为每百万字符1美元(不含基础设施),公司称500万字符规模下含基础设施约每百万字符13美元,并宣称语音生成延迟为70毫秒。其 Smart Pronunciation 能力会先判断缩写和数字的含义再生成音频,例如把 Pay 1/2 by 1/2 读作 pay half by January second,且不依赖 APT 或其他大语言模型即可运行。目前尚无后续发展事实。

Ollama上线语音模型Phonon

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

查看事件：Ollama上线语音模型Phonon,支持文本转语音

ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs 推出实时语音翻译模型 Eleven Realtime Translation,目前以 alpha 形式向 ElevenAPI 企业客户开放。该模型默认使用低延迟语音模型 Eleven v4 Turbo,支持 90 多种语言和自动语言检测,同一音色可跨语言保持一致,并可从 17500 多个音色库或自建语音克隆中选择。团队可调节翻译启动速度,在复杂通话的高质量翻译与低延迟之间取舍。德国电信已在 Magenta AI Call Assistant 中基于 ElevenLabs 构建新通话功能。

ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs 推出实时语音翻译模型 Eleven Realtime Translation,目前以 alpha 形式向 ElevenAPI 企业客户开放。该模型默认使用低延迟语音模型 Eleven v4 Turbo,支持 90 多种语言和自动语言检测,同一音色可跨语言保持一致,并可从 17500 多个音色库或自建语音克隆中选择。团队可调节翻译启动速度,在复杂通话的高质量翻译与低延迟之间取舍。德国电信已在 Magenta AI Call Assistant 中基于 ElevenLabs 构建新通话功能。

查看事件：ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs发布Eleven Realtime v1语音到语音模型

2026年10月20日,ElevenLabs发布Eleven Realtime系列语音到语音模型,包含面向低成本自然对话的v1 Mini和面向复杂任务的v1 Max。据ElevenLabs博客,两者均支持90多种语言并可调用其17,000多个音色;Artificial Analysis的独立评测显示,v1 Max在Big Bench Audio语音推理上答对98.8%,平均0.57秒开始说话,v1 Mini分别为75.9%和0.62秒。该API兼容OpenAI Realtime API,已有集成只需更换endpoint和模型名,也可在ElevenAgents中直接选择模型部署。10月22日,智东西报道称两款模型目前仅支持WebSocket连接,其实测中Architect搭建助手可用语音修改Agent设置,但中文口音明显、回复偏长且延迟较高。

蚂蚁百灵开源Ming-3.0语音系列共五款模型

2026年10月20日,蚂蚁百灵(inclusionAI)在GitHub开源Ming-3.0语音系列,分别提供语音合成、音频理解与对话、语音识别三个系列,共五款模型。其中Ming-3.0-tts含0.5B稠密版和基于Ling V3的7.9B总参数、1.3B激活参数tiny MoE版,支持声音克隆、文本设计音色与多语种合成;Ming-3.0-audio-flash采用126B参数MoE架构、激活参数6.5B,另有9.3B参数、激活2.7B的tiny版本,覆盖多方言口音识别、长音频理解与端到端语音对话,采用MIT许可。同日,vLLM宣布vLLM-Omni在发布当天提供支持,蚂蚁百灵致谢并表示部署更便捷;atomic.chat也将Ming-3.0接入本地AI工作流。Artificial Analysis公布评测称,Ming-3.0-tts在受控语音TTS Arena中位列开源权重模型第一,发音鲁棒性93.2%在31个模型中并列第一。10月22日有博主表示计划本地试跑0.5B版;10月23日Artificial Analysis称其以0.5B参数达到顶级TTS质量。

ElevenLabs发布语音到语音模型Eleven Realtime v1

2026年10月20日,ElevenLabs发布Eleven Realtime系列语音到语音模型,包含面向低成本自然对话的v1 Mini和面向复杂任务的v1 Max。据ElevenLabs博客,两者均支持90多种语言并可调用其17,000多个音色;Artificial Analysis的独立评测显示,v1 Max在Big Bench Audio语音推理上答对98.8%,平均0.57秒开始说话,v1 Mini分别为75.9%和0.62秒。该API兼容OpenAI Realtime API,已有集成只需更换endpoint和模型名,也可在ElevenAgents中直接选择模型部署。10月22日,智东西报道称两款模型目前仅支持WebSocket连接,其实测中Architect搭建助手可用语音修改Agent设置,但中文口音明显、回复偏长且延迟较高。

查看事件：ElevenLabs发布Eleven Realtime v1语音到语音模型

Scaled Cognition推出语音模型Voice

Scaled Cognition Inc. 于2026年10月20日推出文本转语音模型 Voice。据 SiliconANGLE 同日报道,该模型支持25种以上语言和声音克隆,可通过 API 调用或自托管部署,主打账号、地址等细节的准确朗读。报道称,托管 API 定价为每百万字符9美元,自托管为每百万字符1美元(不含基础设施),公司称500万字符规模下含基础设施约每百万字符13美元,并宣称语音生成延迟为70毫秒。其 Smart Pronunciation 能力会先判断缩写和数字的含义再生成音频,例如把 Pay 1/2 by 1/2 读作 pay half by January second,且不依赖 APT 或其他大语言模型即可运行。目前尚无后续发展事实。

查看事件：Scaled Cognition推出语音模型Voice

ElevenAgents上线合成语音检测

2026年10月9日,ElevenLabs在ElevenAgents中发布合成语音检测功能。该功能可在通话最初几秒分析来电者语音,判定其为真人还是AI生成,企业可据此设置规则,例如优先服务真人客户、限制AI来电者的交互范围,或在敏感操作前拦截克隆语音。该功能运行在实时音频流上,不依赖音频是否带有ElevenLabs水印。同日,ElevenLabs以设计伙伴身份加入由Meta和Sierra主导的Personal Agent Protocol工作组,参与制定个人智能体向企业表明身份、代表对象及可执行操作的规范。目前该检测功能面向由Forward Deployed Engineering团队支持的企业客户开放,本月晚些时候将作为ElevenAgents内的可配置选项向更广泛的企业客户提供。

LiveKit 正式发布 Agent Simulations 语音智能体测试功能

2026年10月9日,LiveKit 正式发布 Agent Simulations,面向所有 LiveKit Cloud 项目开放。该功能用 LLM 驱动的模拟用户跑完整个场景,再由 LLM 裁判按自定义预期给出通过或失败及原因,按任务而非逐轮对话测试。CLI 可读取智能体代码自动生成场景,文本模式默认运行并可在每次 pull request 时执行,音频模式覆盖背景噪声、打断和附和声,按更高费率计费。官方博客称 Serve AI 曾用它在切换流量前以一百通真实生产通话验证一次完整的智能体重写,10 月前免费使用。目前尚无后续发展事实。

Suno推出语音生成功能Speech

2026年10月2日,AI音乐生成平台Suno推出语音生成功能,可同时生成人声与背景音乐并合成为一条音轨。据The Verge AI报道,该功能以公开测试形式在网页端和移动端开放,提供Simple和Advanced两种模式:前者通过提示词描述场景,后者支持自定义脚本并调整AI声音性别、语音风格和生成多样性,最长时长约8分钟。Suno首席产品官Jack Brody表示测试版仍不完善,将根据用户反馈持续改进。同日,Suno官方发布消息回应beta版输出异常,称测试版期间可能会出现一些奇怪的输出,欢迎用户反馈以帮助改进。

ElevenAgents上线合成语音检测

ElevenLabs 发布 ElevenAgents合成语音检测功能

查看事件：ElevenAgents上线合成语音检测