xAI 发布 Grok Voice Transcribe 2.0 语音转写模型，称其准确率是 Grok Voice Transcribe 1.0 的两倍，价格不变。该模型在 Artificial Analysis 公开榜单的 32 个流式模型中准确率排名第一，并支持批量与流式转写、词级时间戳、说话人分离、多声道转写和关键术语偏置等功能。批量转写定价为每小时音频 $0.10，流式为 $0.20，该模型将很快成为 Speech-to-Text API 的默认选项，1.0 版本将在未来几周内弃用。
匹配字段标题
Lingxi Li 表示 Grok Bot 的语音功能正在逐步推送，用户可能尚未收到，但很快就能用上。此前 Grok Bot 官方账号已宣布“Grok Bot can talk now”。
匹配字段标题
Grok Bot 现在可以说话了。Roshan Sadanani 转发这一消息并评论称，开车通勤的体验将从此不同。
匹配字段标题
Lingxi Li 表示团队一直在打磨这项功能，力求让体验接近与 AI 队友进行 huddle / 语音通话，并称仍有距离但已接近，欢迎反馈。Balta 以山羊表情（🐐）回复该帖。
匹配字段标题
Lingxi Li 转评 Grok Bot 新增语音对话功能，表示团队一直在努力让它接近与 AI 队友进行 huddle / 语音通话的感觉，虽然还有差距，但已接近目标，并邀请用户反馈。
匹配字段标题
Cadence 基于 ElevenLabs 的 ElevenAgents 构建患者语音智能体，将异常生命体征到患者联系的中位时间从 1 小时 48 分钟缩短至 3.5 分钟，提速 30 倍。该智能体按临床协议端到端处理告警，60% 的筛查告警无需临床人员介入即可解决，患者接听率比人工护士外呼的 41% 高出 47%。前 7 个月共处理 25 万通电话，Cadence 从开发到生产通话仅用一个月。
匹配字段标题
Google 于 2026 年 9 月 15 日宣布为 Gemini Notebook 陆续新增功能：Android 与 iOS 应用将支持针对已注册资料源的实时语音对话，覆盖近 100 种语言，发布当周起向 18 岁以上的 Google AI Ultra 订阅者开放，随后扩展至 Google AI Pro；录音功能于次周上线。报告功能新增「学习の概要」，可在摘要中嵌入图解、测验与闪卡，测验新增短答、多选、填空形式，数周内面向全部用户推出。
匹配字段标题
Vapi 宣布第二届语音 AI 峰会 VapiCon 2026 将于 2026 年 11 月 11 日至 12 日在旧金山 Fort Mason 举办，为期两天、设两条议程，预计 1200+ 开发者和从业者参加。峰会将聚焦语音智能体在生产环境中的真实通话量、失败模式与 ROI，并讨论 speech-to-speech 与级联流水线架构取舍、评测与可观测性、亚秒级首字节延迟及人工接管等议题。Vapi 团队将公布产品与公司更新及新版本发布。
匹配字段标题
阿里云百炼语音示例仓库新增 Qwen-Audio-3.0-TTS 语音合成与声音复刻示例，支持通过指令控制音色风格、方言与情感，并新增 Qwen-Audio-3.0-ASR 系列语音识别示例，覆盖非流式识别、流式识别（支持热词与对话上下文）与录音文件转写。此前该仓库已加入 Qwen-Audio-3.0-Realtime 端到端实时语音对话示例，含陪伴对话、函数调用、推理路由三种场景。开发者可通过百炼免费额度试用这些示例并集成进自己的项目。
匹配字段标题
ElevenLabs 的 MCP 连接器新增生成能力，用户通过一次安装和 OAuth 登录，即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频，所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型，无需自建服务器或管理 API 密钥，且与驱动 ElevenLabs Agents 的 MCP 为同一个，已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具，数据驻留地在连接时选择。
匹配字段标题
OpenAI Developers 宣布 GPT-Live-1 已在 API 中上线，可把 ChatGPT 式的自然对话带入应用，语音智能体能在说话的同时继续聆听，并支持自行选择模型与框架。Dominik Kundel 转发了这一消息，表示期待看到大家用它做出的作品。
匹配字段标题
腾讯混元正式发布开源基础模型 AuK，面向统一的语音生成与编辑，采用自然语言指令加参考音频的单一接口，支持零样本 TTS、指令控制生成、内容编辑、耳语转换、去口音、音色风格情感编辑、语速音高控制、增强降噪、多说话人分离与音乐分离。同时发布 AuK-Flash，采用 4 步推理，在匹配条件下约快 4.5 倍。代码、权重与 demo 均已上线。
匹配字段标题
IVR 通过按键输入或基础语音识别自动接听电话、播报菜单，并将来电转接至相应部门或处理简单请求。它能缩短等待时间、降低单次通话成本并提供全天候服务，但僵化菜单和识别错误会损害体验；对话式 AI 则以开放对话取代传统按键菜单。
匹配字段标题
Google 正在向 Google AI 订阅用户推送新的 Gemini 语音能力，用户可以通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务，以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用，并附上了演示视频和了解更多信息的链接。
匹配字段标题
微软发布 MAI-Transcribe-2 语音识别模型，称其在 FLEURS 基准 60 种语言上平均词错误率为 5.2%，并在 Artificial Analysis 准确率与延迟帕累托前沿居首。该模型支持说话人分离、词级时间戳、关键词偏置、可配置转写风格和语码转换，官方称比 OpenAI GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。模型已在 Microsoft Foundry、MAI Playground 和 Open Router 提供试用，年底前限时定价为每小时 0.10 美元。
匹配字段标题
Vapi 发文解释 AI 语音智能体如何通过语音信箱检测（AMD）区分真人接听与录音，核心信号是静默、问候语长度和节奏等时序特征，而非音色本身。智能体需在接通后约 3 到 5 秒内完成分类，2026 年一篇 arXiv 预印本显示仅靠时序特征即可媲美提示音和关键词方案且延迟更低。Vapi 支持选择检测服务商、调整时序，并在真人接听时切回对话。
匹配字段标题
LiveKit 为非生产部署（non-production deployment）上线新能力：智能体可在同一项目下以不同名称运行与生产相同的容器镜像，共享密钥，通过 --deployment 标志切换，创建只需一条命令。非生产部署空闲时休眠且不计费，唤醒后算力并入现有账单；需 livekit-agents 1.6+（Python）或 @livekit/agents 1.7.1+（Node）。该功能在 Ship 及以上套餐可用，每个智能体分别允许 2 个（Ship）和 5 个（Scale）非生产部署。
匹配字段标题
Meta 发布 Muse Voice Transcribe，这是 Meta Superintelligence Labs 的首个实时音频感知模型，今日起通过 Meta Model API、Meta AI for Mac 和 Muse Code 提供。该模型支持实时流式 ASR、20 人以上说话人分离和端点检测，多语言并支持无缝语码切换，可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 家族的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）处理，每块一个 token，并用词错误率与延迟奖励的 RL 实现自适应延迟。
匹配字段标题
Muse Voice Transcribe 是 Muse Spark 系列的自回归多模态 LLM。 音频以 80ms 分块（12.5 Hz）处理，每块一个 token，模型在每个分块决定是继续听还是输出文本。 结合词错误率和延迟奖励的 RL 赋予其自适应延迟：在难词上等待更久，在易词上更早确定，逐词权衡准确率与延迟。
匹配字段标题
借助自适应延迟，Muse Voice Transcribe 在以最终转写时间为衡量标准的速度-准确率权衡上达到了帕累托前沿。
匹配字段标题