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
葡萄牙电信与媒体公司 NOS 基于 ElevenAPI 平台、使用 ElevenLabs Text to Speech 生成欧洲葡萄牙语语音，构建了客服对话式 AI 语音智能体，目前以 3-5% 客户群进行生产测试。早期结果显示，语音智能体成功处理测试群体约 50% 的来电，转人工时与语音智能体交互的时间比旧 IVR 菜单低 15%，客户满意度净分实现两位数提升。NOS 还在迭代音素词典，并用 Professional Voice Cloning 优化品牌语音质量。
匹配字段标题、摘要
波士顿语音智能初创公司 Modulate 完成 2500 万美元新融资，由 Future Ventures 领投，Hyperplane 和 Lakestar 参投。其平台运行 100 多个小型模型，分为信号提取与分析检测两类，为企业提供转录、情绪分析、深伪与 AI 音乐检测，以及受监管行业语音智能体的合规执行。公司现有 40-45 名员工，计划再招 10 人加强模型建设。
匹配字段标题、摘要
DetectifAI 是 Tarini Padmanabhuni 在旧金山创立的公司，起因是她的祖父被 AI 生成的深度伪造语音冒充其兄弟骗走赎金。该公司设计可直接在手机操作系统内运行的紧凑 AI 模型，在通话和语音消息中即时判断声音是否为 AI 生成，音频不离开设备，并以 SDK 形式授权给手机厂商。DetectifAI 已为印度金融机构每月处理超过 10 万通电话，并入选 TechCrunch Disrupt 的 Startup Battlefield 竞赛。
匹配字段标题、摘要
阿里云 Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart，可部署为全托管实时推理端点，仅凭几秒参考音频与转写文本即可克隆音色，无需重新训练。该模型覆盖中文、英语、日语等 10 种语言，支持流式生成与跨语言克隆，输出 24 kHz 音频，并可与 Qwen3-TTS-12Hz-1.7B-CustomVoice、Qwen3-ASR-1.7B 一同选用。
匹配字段标题
ElevenLabs 的 ElevenAgents 通过动态变量、通话发起 webhook 和通话后 webhook 实现跨通话记忆，单次通话内自动保留完整上下文。智能体支持 PDF、Word、文本、Markdown、HTML、EPUB 等格式内容训练，用 RAG 检索相关段落，小文档则保留完整上下文。情绪检测可在客户不满时实时降级并转接人工，隐私设置涵盖数据保留、音频存储、转录脱敏和零保留模式，企业医疗部署可申请 HIPAA 合规。
匹配字段标题
Sarvam AI 发布新一代语音识别模型 Saaras V4，采用音频编码器加 3B 混合状态空间 LLM 解码器，解码器完全自研从零训练。该模型在全部 22 种印度语言上达到 SOTA，并在七个全球英语数据集上取得最低 WER；支持 transcribe、translate、verbatim、translit、codemix 五种转写格式，语言识别错误率在十大印度语言为 2.9%、全部 22 种为 5.22%。
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 发布 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两款文本转语音模型，提供超过 2000 种音色，并支持用 30 秒音频样本创建自定义音色。Simon Willison 借助 Gemini API 的开放 CORS 策略，用 GPT-6 Astra 快速搭建了一个自带密钥的 Playground，并演示了多角色对话的语音生成。他实测用 Gemini 3.8 Flash TTS 生成 1 分 18 秒音频约耗时 20 秒，成本 2.74 美分。
匹配字段标题、摘要、正文
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
ElevenLabs 发布 Python 语音识别教程，演示如何通过 ElevenAPI 将 Scribe v2 和 Scribe v2 Realtime 集成到 Python 项目，实现批量与实时转录。教程覆盖说话人分离、词级时间戳、多语言支持、关键术语提示和低延迟转录等商用功能，并说明可先在 AI 编程平台安装 ElevenLabs 技能生成代码，免费试用 API 后再订阅付费方案。
匹配字段标题、摘要
Vapi 测试了 TypeSafe AI 早期访问的"System One"模型 Jev，它不生成文本，而是根据上下文和聚焦问题返回分数或 yes/no 概率等结构化决策。在语音 AI 护栏原型中，Jev 在响应送入 TTS 前并行打分，一次早期测试中捕获了至少四分之三违反规则的回复，但并非 100% 合规保证。实验还发现规则措辞影响巨大，建议从简短规则起步并重复动词。
匹配字段标题、摘要
ElevenLabs 发布面向临床场景微调的语音转文字模型 Scribe v2 Medical，已在 ElevenAPI 上正式可用，模型 id 为 scribe_v2_medical。相比基础版 Scribe v2，它在临床音频上的词错误率（WER）降低约 35%，在 Corti MedDictate、MedTerm 和 Eka Medical ASR 等基准上取得最低 WER，且日常语音仍保持 5.3% WER。该模型对企业客户符合 HIPAA 要求，需签署 BAA 并启用 Zero Retention Mode。
匹配字段标题、摘要
少数派作者 neyham 用约 50–60 元的小米电视蓝牙语音遥控器 2 Pro（型号 RC003）搭配开源工具 SayAll，把遥控器变成 AI 编程的手持控制器：按住语音键口述 Prompt，松手上屏，方向键切换终端 Tab 和 Workspace。SayAll 会生成虚拟麦克风 MiRemoteV 2ch，配合微信输入法的按住说话功能使用，macOS 和 Windows 均有配置路径。文章还给出 SayAll 引导卡住、微信输入法无法录入独立 Fn 键等排坑方法。
匹配字段标题、摘要、正文
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
Kaylee George 发帖称 Grok Bots 将连续上线语音功能，可收听晨间简报、定制播客、口语诗等。Balta 转推并回复了一个山羊表情 🐐。
匹配字段标题、摘要
Lingxi Li 引用 Grok Bot 宣布可以说话的帖子，问网友有没有试过对 @bot 说“seeya”。
匹配字段标题
Roshan Sadanani 转述 Grok Bot 的新能力：Grok Bot 现在可以发送语音笔记，并称你的 @bot 现在能为你制作播客等内容。
匹配字段标题、摘要
Grok Bot 现在可以发送语音消息。Lingxi Li 转发并表示，这是他最喜欢的部分，由 @krgeorge 打造。
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