Artificial Analysis 评测显示，Fish Audio 发布的 Drama 3 在 Text to Speech 的 Provider Voice 场景 Elo 为 1,278（1,512 次竞技场出场），总排名第 6、开源权重模型第 1；Controlled Voice 场景 Elo 为 1,085（1,958 次出场），总排名第 12、开源权重模型第 1。发音鲁棒性上 Drama 3 以 94.6%（2,157 个评分片段）排名第 1，高于 Ming-3.0-tts 和 Drama 3 Preview 的 93.2%。生成速度为每秒 66.6 字符，定价 $15/1M 字符，以 Fish Audio Community License 开放权重。
匹配字段标题、正文
Artificial Analysis 评测显示，Google 的 Gemini 4 Carbon 以 59 分登顶 Intelligence Index v5，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项排名第一。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型目前仅向部分用户开放，尚未公开发布，定价为每 1M 输入/输出 token 4/20 美元并提供 50% 折扣，上下文窗口 1M tokens，支持文本、图像、视频和语音输入。
匹配字段摘要、正文
Artificial Analysis 评测显示，Phonic 的 Phonic 1（High）以 87.1 分在 Speech to Speech Index 的 22 个模型中排名第一，以微弱优势领先 Grok Voice 3.0 的 86.9 分。该模型在 Tau Voice 智能体任务上以 79.9% 排名第一，领先第二名 5.4 个百分点；Big Bench Audio 以 98.9% 排第三，Time to First Audio 为 0.61 秒。Phonic 1 通过 Phonic API 提供，输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。
匹配字段标题、正文
Artificial Analysis 的评测显示,Phonic 的 Phonic 1(High)在 Speech to Speech Index 的 22 个模型中以 87.1 分排名第一,以微弱优势领先 xAI 的 Grok Voice 3.0(86.9 分)。同一评测中,Phonic 1 在 Tau Voice 智能体任务上以 79.9% 排名第一,领先第二名 5.4 个百分点;Big Bench Audio 以 98.9% 排第三,首音频延迟为 0.61 秒。Phonic 1 通过 Phonic API 提供,输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。另有报道称,Phonic 是一家 10 人创业公司,其称 Phonic-1 可在通话者尚未说完时执行查询和预订;该报道还提到,Phonic 称其在 Cekura 通话测试集得 90.2 分,而 Cekura 公开榜单列出的 Phonic v1 为 68.3%。
匹配字段标题
Artificial Analysis 的评测显示,Phonic 的 Phonic 1(High)在 Speech to Speech Index 的 22 个模型中以 87.1 分排名第一,以微弱优势领先 xAI 的 Grok Voice 3.0(86.9 分)。同一评测中,Phonic 1 在 Tau Voice 智能体任务上以 79.9% 排名第一,领先第二名 5.4 个百分点;Big Bench Audio 以 98.9% 排第三,首音频延迟为 0.61 秒。Phonic 1 通过 Phonic API 提供,输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。另有报道称,Phonic 是一家 10 人创业公司,其称 Phonic-1 可在通话者尚未说完时执行查询和预订;该报道还提到,Phonic 称其在 Cekura 通话测试集得 90.2 分,而 Cekura 公开榜单列出的 Phonic v1 为 68.3%。
匹配字段标题
HeyGen Voice Turbo 在 Artificial Analysis 受控语音 TTS 竞技场以 Elo 1,202 排名第一，超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场用同一组 8 个克隆音色（4 个美式、4 个英式）评测，HeyGen Voice Turbo 在 46 个模型中居首，并在 Assistants 和 Entertainment 分类排名第一。其价格为 $4/1M 字符，是榜单最低，比前代 HeyGen Voice 的 $30/1M 字符便宜 7.5 倍。
匹配字段标题、摘要
HeyGen 发布语音模型 HeyGen Voice Turbo。Artificial Analysis 于 2026 年 10 月 22 日报道,该模型在受控语音 TTS 竞技场以 Elo 1,202 排名第一,超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场使用同一组 8 个克隆音色(4 个美式、4 个英式)评测,HeyGen Voice Turbo 在 46 个模型中居首,并在 Assistants 和 Entertainment 分类排名第一。报道还称其价格为每百万字符 4 美元,为榜单最低,比前代 HeyGen Voice 的每百万字符 30 美元便宜 7.5 倍。目前尚无后续发展事实。
匹配字段标题
HeyGen 发布语音模型 HeyGen Voice Turbo。Artificial Analysis 于 2026 年 10 月 22 日报道,该模型在受控语音 TTS 竞技场以 Elo 1,202 排名第一,超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场使用同一组 8 个克隆音色(4 个美式、4 个英式)评测,HeyGen Voice Turbo 在 46 个模型中居首,并在 Assistants 和 Entertainment 分类排名第一。报道还称其价格为每百万字符 4 美元,为榜单最低,比前代 HeyGen Voice 的每百万字符 30 美元便宜 7.5 倍。目前尚无后续发展事实。
匹配字段标题
Google 开发者博客发布分步教程，介绍如何用 ADK 和 gemini-3.8-live 构建不会长时间静默的语音智能体。核心做法是把工具函数从 return 改为 yield 变成流式工具，或使用 FunctionTool 的 response_scheduling 在空闲时交付结果；在销售报表基准流程中，智能体首次开口时间从 14.4 秒降到 1.2 秒。教程还给出 stop_streaming 取消机制、防止重复调用以及 WHEN_IDLE、INTERRUPT、SILENT 三种调度模式的取舍，要求 google-adk >= 2.10.0 并使用 run_live 双向会话。
匹配字段标题、摘要、正文
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。
匹配字段标题
Artificial Analysis 的 Provider Voice TTS Arena 榜单显示，ElevenLabs 的 Eleven v4 Turbo 以 Elo 1,334 排名第一，超过 Eleven v4 的 1,321、阿里 Qwen-Audio-3.1-TTS-Plus 的 1,292 和 Cartesia Sonic 3.6 的 1,278。其定价为 $40/1M 字符，是 Eleven v4（$80/1M 字符）的一半，生成速度为每秒 96 字符，高于 Eleven v4 的 84 和 Eleven v3 的 59。在 Controlled Voice 分项中它以 Elo 1,173 排名第二，发音稳健性得分 90.1%。
匹配字段标题
LiveKit 官方博客对比了实时语音与视频 AI 智能体两大开源框架 LiveKit Agents 与 Pipecat，指出前者基于自家开源 WebRTC 与 SIP 服务、抽象层级更高，后者不预设传输层、需自行逐级组装 pipeline。文章还说明 TEN Framework、Dograh、Vision Agents、Vocode 的定位，并从语言支持、维护活跃度、上手速度和生产就绪度四方面给出选型建议。
匹配字段标题、摘要
Together AI 优化 ASR 全链路，使 NVIDIA Parakeet-TDT 0.6B v3 可在不到 10 秒内转录约 20 小时语音，并与 OpenAI Whisper Large v3 一同成为 Artificial Analysis 排名中延迟最低的两款模型。其方案采用多配置 TensorRT、条件 CUDA 图、Unix 域套接字、共享内存和 epoll，解码器提速 2–3 倍。通过 gc.freeze() 排除预分配对象的 GC 扫描后，约 200 ms 的 p95 延迟尖峰也随之消失。
匹配字段标题、摘要
Modal 工程博客介绍了如何用 Modal、开源框架 Pipecat 和开源权重模型搭建语音 AI 聊天机器人，在客户端与容器就近部署时实现约一秒的中位语音到语音延迟。方案采用 Parakeet-tdt-v3 做语音转文字、Qwen3-4B-Instruct-2507 配合 vLLM 做 LLM 推理、Kokoro 做语音合成，并用 ChromaDB 与 all-minilm-l6-v2 完成 RAG 检索。作者还分享了用 Modal Tunnels 绕过输入平面降低网络延迟、通过区域固定和独立自动扩缩容控制成本的做法，代码已在 GitHub 仓库公开。
匹配字段标题、摘要
Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项领先。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型上下文窗口为 1M tokens，支持文本、图像、视频和语音输入，标准定价为每百万输入/输出 tokens 4/20 美元，目前向部分用户开放并提供 50% 折扣。
匹配字段摘要、正文
ElevenLabs 发布 Eleven v4 的 Audio Tags 清单，用方括号内的自然语言提示词控制语音的情绪、音量、语速、口音和音效，文中给出 50 多个示例。这些标签不限于固定列表，可自行组合或描述情境，例如 [whispering, fearful]、[out of breath after running up the stairs]。Audio Tags 可通过 ElevenAPI 在 Eleven v4、Eleven v4 Turbo 和 Eleven v3 上使用，v3 脚本在 v4 中仍然有效。
匹配字段摘要
ElevenLabs 研究工程师 Angelos Perivolaropoulos 介绍了如何通过标准工程优化，将语音推理的单 GPU 服务能力从 1 名用户提升至 70 名，架构级改造则可达到约 140 名。连续批处理、FP8 量化、多 token 预测和经蒸馏适配的 FP8 KV cache 是主要手段，其中 KV cache 缩小 2.5x 后，吞吐量从 28 名用户增至 70 名。各项技术会引入延迟、内存上限或质量损失，实际选择取决于具体工作负载。
匹配字段摘要
Revolut 通过统一网关和按 AI 用例治理的控制层，在受监管的银行环境中运行生成式 AI，并为每个生成式产品设置模型回退链。其平台支撑的生成式用例约为传统机器学习用例的两倍，按任务选择满足要求的较小模型可将成本最多降低 8 倍且不损失质量。语音服务已覆盖 20 个国家、每月处理约 25,000 通电话，AIR 则结合交易数据分析支出并回答金融相关问题。
匹配字段摘要
Together AI 推出完全开源的 Violin 视频翻译工具，通过 ASR、大语言模型翻译和 TTS 语音合成生成译制视频。它还支持基于音视频内容的多模态问答和自然语言选声，不提供声音克隆，并默认以低音量保留原声。GUI、后端模型与智能体技能均以 MIT 许可证开放。
Together AI 推出完全开源的 Violin 视频翻译工具，通过 ASR、大语言模型翻译和 TTS 语音合成生成译制视频。它还支持基于音视频内容的多模态问答和自然语言选声，不提供声音克隆，并默认以低音量保留原声。GUI、后端模型与智能体技能均以 MIT 许可证开放。 · Together AI introduced Violin, a fully open-source video translation tool that produces translated videos through ASR, LLM translation, and TTS voice synthesis. It also supports multimodal question answering grounded in audiovisual content and natural-language voice selection; voice cloning is disabled, and the original audio is retained at low volume by def
匹配字段摘要
ElevenLabs 研究工程师 Angelos Perivolaropoulos 于 2026 年 6 月 30 日分享并测试了通过标准工程优化提升单 GPU 语音推理吞吐的方法。主要手段包括连续批处理、FP8 量化、多 token 预测和经蒸馏适配的 FP8 KV cache。其中,KV cache 缩小 2.5 倍后,吞吐量从 28 名用户增至 70 名;架构级改造则可达到约 140 名用户。各项技术会引入延迟、内存上限或质量损失,实际选择取决于具体工作负载。
匹配字段标题