Rime 发布语音模型 Prism，先写文本再发声
Rime 发布面向 AI 语音智能体的语音到语音模型 Prism，它在开口前先把每条回复写成文本。企业可以编辑转写内容并拦截智能体不该说的话，Prism 同时保持通话不中断，并能在对话中查询账户或冻结卡片。Rime 称没有其他语音到语音模型采用这种方式，因此 Prism 更适合银行等受监管企业。
匹配字段标题、摘要、正文
←搜索结果
搜索“语音”
Perplexity 向所有 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。
匹配字段标题、摘要、正文
Cartesia 发布 Managed Agents 端到端语音智能体平台
Cartesia 推出 Managed Agents 端到端语音智能体平台，面向企业通话场景，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，该平台取得 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。
匹配字段标题、摘要、正文
AssemblyAI 发布首款语音合成模型 AssemblyAI-TTS-1，每百万字符 15 美元
AssemblyAI 发布首款文本转语音模型 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。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 ms，但 Cekura 独立基准测得流式延迟 159 ms、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。
匹配字段标题、摘要、正文
Neuralink 首款产品定名 Telepathy，称输出带宽将远超语音和打字
Neuralink 首款产品名为 Telepathy，可通过思考与计算机或他人进行高速通信。Elon Musk 表示，其输出带宽将在几年内远超最快的人类语音或打字速度。该推文引用了 Neuralink 工程师为一位言语恢复研究参与者进行 72 小时黑客松、快速原型多项意念沟通功能的帖子。
匹配字段标题、摘要、正文
Ollama 上线语音模型 Phonon，支持文本转语音
Ollama 现在可以把文本转成语音，首个语音模型是来自 Gradium 的 Phonon 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；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。
匹配字段标题、摘要、正文
ElevenLabs 推出 Eleven Realtime Translation 实时语音翻译模型
ElevenLabs 发布实时语音翻译模型 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。
匹配字段标题、摘要
ElevenLabs 推出 Eleven Realtime 托管语音智能体，开发者需让出底层模型控制权
ElevenLabs 发布 Eleven Realtime，提供 Mini 和 Max 两个托管语音智能体模型，整合语音识别、推理、轮次切换与语音生成，但开发者无法单独选择或配置底层模型。外部测试机构 Artificial Analysis 的数据显示，Max 在 Big Bench Audio 上得分 98.8%，Mini 为 75.9%；工具调用任务完成率 Max 为 87.1%，Mini 为 60.3%，而 Mini 在 Full-Duplex-Bench 上以 95.8% 略高于 Max 的 94.1%。该接口沿用 OpenAI Realtime API 的协议和 WebSocket 传输，但仅支持 WebSocket，WebRTC 应用需先更换传输方式并自行处理 24kHz PCM16 音频的采集与播放。
匹配字段标题、摘要、正文
Scaled Cognition 推出客服语音模型 Voice
Scaled Cognition 发布文本转语音模型 Voice，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。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。Voice 的 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。
匹配字段标题、摘要、正文
蚂蚁百灵 Ming-3.0 语音模型接入 atomic.chat 本地工作流
蚂蚁百灵（AntLingAGI）感谢 atomic.chat 将 Ming-3.0 接入本地 AI 工作流，让开源语音模型更易获取。据 atomic.chat 介绍，Ming-3.0 包含 5 个开源模型，覆盖说话、聆听和语音转写，其语音模型在 Artificial Analysis 的开源模型中排名第 1，最小版本仅 0.5B。
匹配字段标题、摘要、正文
蚂蚁百灵 Ming-3.0 语音模型获 vLLM-Omni 首日支持
蚂蚁百灵开源了 5 个语音模型，覆盖 TTS、音频理解和 ASR，总参数量从 0.5B 到 126B（激活参数 6.5B）。vLLM 宣布 vLLM-Omni 在发布当天即提供 Ming-3.0 支持，蚂蚁百灵对此致谢并表示部署更便捷。
匹配字段标题、摘要
Bland 推出 Blandie 公开演示，可基于企业网站生成品牌语音与短信智能体
Bland 推出新工具 Blandie 的公开演示，可根据企业网站内容自动创建带品牌标识的语音和短信智能体。消息以企业名称和 logo 的认证发送方形式发出，Android 走 RCS、iPhone 走 iMessage，智能体可处理预订和支付，回答基于所提供网站的内容，还能回复网站截图和图片。智能体可记住客户是否拨打过 Bland 的电话号码，并在文字聊天中引用。
匹配字段标题、摘要
xAI 推出 Grok Voice 3.0 语音转语音模型
xAI 发布 Grok Voice 3.0，称其为全球最智能的语音转语音模型，擅长处理客服通话，响应时间低于一秒，成本低于其他前沿模型。Elon Musk 转发并附上试用提示。
匹配字段标题、摘要
Grok Voice 3.0 登顶 Artificial Analysis 语音到语音指数
Grok Voice 3.0 在 Artificial Analysis 的 Speech-to-Speech Index 上排名第一，得分为 86.9，超过 OpenAI 和 Google。该指数综合口语推理、模拟客服通话、盲测偏好投票和任务成功率，GPT-Live-1（Astra，Medium）为 83.2。在 τ-Voice 上，Grok 的成功率从 Grok Voice 2.0 的 56.5% 提升到 71.6%；其响应速度比 GPT-Live-1 快 40%，在 Big Bench Audio 上每任务成本为 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1（High）的 0.055 美元。Grok Voice 3.0 已在 Tesla 中每天处理数百万次对话，并驱动 Grok Bot 的语音模式。
匹配字段标题、摘要
FireRedChat 开源全自托管全双工语音交互方案
FireRedTeam 开源 FireRedChat，提供全自托管的实时语音 AI 智能体方案，集成 TTS、ASR、pVAD 和 EoT，无需依赖外部 API，数据不出本地。系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成，LLM 需自行部署，可用 Ollama、vLLM 或 Dify。2025/09/16 已发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务，项目采用 Apache-2.0 许可。
匹配字段标题、摘要
FireRedTeam 开源一体化语音系统 FireRedASR2S
FireRedTeam 开源 FireRedASR2S，一套包含 ASR、VAD、LID、Punc 四个模块的一体化语音系统，各模块均称达到 SOTA。FireRedASR2 支持中文（普通话及 20 多种方言口音）、英文、中英混说以及语音和歌声转写，在 4 个普通话公开基准上平均 CER 为 2.89%，在 19 个中文方言口音基准上为 11.55%，均优于 Doubao-ASR、Qwen3-ASR-1.7B、Fun-ASR 和 Fun-ASR-Nano-2512。FireRedVAD 支持 100 多种语言的语音、歌声和音乐检测，F1 为 97.57%；FireRedLID 覆盖 100 多种语言和 20 多种中文方言，准确率 97.18%；FireRedPunc 中英文标点预测平均 F1 为 78.90%。四个模块可独立使用，模型权重与推理代码已放出，技术报告见 arXiv。
匹配字段标题、摘要
ElevenLabs 在 ElevenAgents 推出合成语音检测并加入 Personal Agent Protocol
ElevenLabs 在 ElevenAgents 中发布合成语音检测功能，可在通话最初几秒分析来电者语音并判定其为真人还是 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。ElevenLabs 同时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。
匹配字段标题、摘要
LiveKit 推出 Agent Simulations，用模拟用户测试语音智能体
LiveKit 发布 Agent Simulations，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，现已面向所有 LiveKit Cloud 项目开放。该功能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，文本模式默认运行且可在每次 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。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。
匹配字段标题
Suno 推出 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增 Speech 功能，可将口播文本与匹配的背景音乐合成为一条音轨，用户输入想法或文字并描述想要的音色与音乐风格即可生成。Suno 产品负责人 Jack Brody 表示该功能已在小范围测试一个月，可用于诗歌、冥想和睡前故事，但 beta 版仍有 bug，例如英式口音有时会听起来像澳式口音。
匹配字段标题
Suno 推出语音生成功能，可同时生成人声与背景音乐
AI 音乐生成平台 Suno 上线语音生成功能，目前以公开测试形式在网页端和移动端开放，可同时生成配音与背景音乐并合成为一条音轨。该功能提供 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。
匹配字段标题、摘要