xAI 发布新一代语音模型 Grok Voice Think Fast 2.0，在智能、转写准确率和对话能力上均有提升。官方称在 24 种语言、数千条短语的评测中，其转写准确率相对 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0 倍，相对 Grok Voice Think Fast 1.0 提升 1.4 倍，噪声环境下与专用语音转文字模型的差距扩大到约 10 倍。该模型在说话的同时并行推理，推理 token 效率更高，工具调用通常在智能体第一句话结束前执行。2026 年 8 月 5 日起 grok-voice-latest 将指向 2.0，无需手动升级，定价为每分钟音频 $0.08。
匹配字段标题
Vapi 联合创始人兼 CTO Nikhil Gupta 与 Anthropic 应用 AI 团队的 Marius Buleandra 讨论了语音 AI 与前沿模型的结合，并回答了观众提问。现场订车演示的智能体运行在 Vapi 上，使用 Anthropic 的 Claude Haiku 和 Vapi v2 克隆语音 Layla，配备估算、预订、查询、取消和结束通话五个工具。过去 30 天，Vapi 上运行 Claude 的智能体处理了近 500 万通电话，覆盖 50 多种语言。
匹配字段标题
LiveKit 发布博客，介绍如何通过分层防御让语音智能体不跑题：先用结构化提示词设定身份与护栏，再用确定性代码强制执行关键规则，并用 max_tool_steps 限制工具调用链避免失控循环。文章以酒店前台参考智能体为例，指出提示词防御对蓄意攻击较弱，真正的约束应在代码层验证。
匹配字段标题
Real World VoiceEQ 以超过 100 万次人工评分评估 40 多个专有及开源语音模型，覆盖 ASR、TTS、S2S 和语音理解的 15 多个维度、60 多项指标。评测显示，没有单一模型在所有能力上领先，许多系统更擅长说而非听，且在口音、噪声、情绪和长对话等真实场景中的表现低于传统基准所呈现的水平。自动评估器适合答案明确的任务，但涉及声学语境、感知和社会解释时仍无法取代人类听众。
匹配字段标题
Vapi 的 Humanness Index 上线近一个月、累计超 11000 次投票后，xAI 的 Grok TTS 以 95 分领跑，仅比真人参考分 100 低 5 分，MiniMax Speech 2.5 以 93 分紧随其后。该榜单让两个模型用同一克隆音色朗读同一句话，由听众盲选更像真人的一方，并把真人录音纳入对比集。
匹配字段标题
Cartesia 发布 Ink-2，一款面向实时语音智能体的语音转文字模型。截至 2026 年 6 月，它在 Artificial Analysis 流式排行榜上以最低词错率排名第一，并内置语义端点检测，无需外部 VAD 即可发出 turn.start、turn.eager_end、turn.end 事件。在 AppTek 多口音基准上，Ink-2 词错率为 8%，优于 Deepgram Flux 的 10% 和 ElevenLabs Scribe v2 的 12%；Time-to-Final-Transcript 为 0.1 秒。现已通过 API 及 LiveKit、Vapi、Pipecat 等平台提供。
匹配字段标题
xAI 为 Grok Voice 新增 21 款旗舰语音，加上原有 5 款共 26 款，全部原生支持 Grok Voice 的 25+ 种语言，现已上线 realtime Voice Agent API、Text to Speech API 和新的 Grok Voice Agent Builder。原有 Ara、Eve、Leo、Rex、Sal 五款语音经改进配方重新训练，节奏、措辞与重音更自然；用户还可用约一分钟音频克隆自己的声音。
匹配字段标题
Hugging Face 与 Cerebras 搭建了开放、模块化的实时语音到语音管线，以 Nvidia Parakeet 识别语音、在 Cerebras 上运行 Google DeepMind Gemma 4 31B，并通过阿里巴巴 Qwen3TTS 生成语音回复。Cerebras 旨在缩短并稳定模型推理延迟；该管线已用于超过 9,000 台 Reachy Mini 机器人，开发者可体验 Demo 并查看 huggingface/speech-to-speech 仓库。
匹配字段标题
xAI 发布 Voice Agent Builder 测试版，这是一个基于 Grok Voice 的无代码平台，用于配置生产级语音智能体，内置电话、知识检索、工具、护栏、MCP 和可观测性。用户用自然语言描述通话流程并挂载文档、工具和护栏，约两分钟即可搭建一个可用智能体，支持 SIP 接入现有号码或通过 WebSocket 连接自有客户端。计费按 API 费率每分钟音频 $0.08，语音包含在内且无平台费，免费号码的电话费另计每分钟 $0.01。
匹配字段标题
Cartesia 发布语音 AI 术语入门指南，系统解释 STT、VAD、Turn Detection、TTS、Barge-in 等核心概念。其最新 Ink-2 STT 模型内置转向检测，无需单独 VAD 模型，可简化语音智能体流水线。指南还涵盖语音隔离与降噪，帮助理解对话式语音 AI 的评测结果。
匹配字段标题
Cartesia 发布语音 AI 模型选型指南，指出实验室基准与真实电话场景存在巨大差距，如原型 600–800ms 延迟在真实电话基础设施上可达 2–4 秒。指南建议用 Time to Final Segment（TTFS）而非 Time to First Token 评估 ASR，并强调话轮检测的 precision/recall 与打断处理对语音智能体体验至关重要。
匹配字段标题
Amazon Ring 评估了 40 多家语音 AI 供应商后选择 Vapi，两周内从零上线生产环境，目前 100% 的呼入客服量都跑在 Vapi 上，CSAT 分数有所提升。Vapi 强调亚秒级响应、原生背景噪音处理、VPC 驻留架构与零数据留存，并支持企业自选模型、对接 CRM 等现有系统。另有一家家居服务平台用 24/7 Vapi 语音智能体替换 70 名人工坐席，服务超过 1,500 家企业。
匹配字段标题
Andrew Ng 发布新课程，教你为 AI 智能体添加语音能力，由 VocalBridge CEO @_ashwyn 讲授。课程涵盖三类应用：语音与鼠标同通道交互的游戏、约 10 行代码为现有智能体加语音、用 make_phone_call 函数拨打外呼电话，并教授语音评测以在部署前打分和发现回归。
匹配字段标题
Vapi 发布语音 AI 对话设计指南，指出语音 AI 落地最关键的一步是选对用例：密码重置、订单查询等以链接或验证码收尾的场景应留给聊天，而症状描述、账单争议等紧急或难以打字的场景才适合语音。文章给出拆分话轮、复述关键信息、压缩选项列表、逐项确认、约束开放式提问和设置重试上限等具体方法，其中一家公司借此将下游安置错误减少 30%，另一团队将平均通话时长缩短 40 秒。
匹配字段标题
Vapi 主页运行着 15 个语音智能体，覆盖 3 类场景、5 种语言，它们并非在控制台逐个手工搭建，而是从一份 ROUGH_DRAFT.md 草稿出发用代码批量生成。其框架分 plan、draft、bootstrap、harden 四阶段，默认使用 OpenAI gpt-4.1（温度 0.5）、ElevenLabs 与 Deepgram nova-3 等组件，通过幂等 upsert 循环把状态存入 .env.local，重复运行不会重复创建。克隆仓库并配置 VAPI_PRIVATE_KEY 后运行 bun run bootstrap 即可复现。
匹配字段标题
Google DeepMind 发布 Gemini 3.5 Live Translate，可自动识别 70 多种语言并持续生成近实时译音，同时保留说话者的语调、节奏和音高。该模型仅落后说话者数秒，支持嘈杂环境和多语言输入。它正向 Android、iOS 版 Google Translate 全球推送，Google Meet 将于本月面向部分企业 Workspace 客户开启私密预览。
匹配字段标题
Boson AI 的语音合成模型 Higgs Audio v3 TTS 已在 SGLang-Omni 上实现端到端服务，支持 100 种语言达到个位数 WER/CER，并可通过输入文本中的控制标签调节情绪、风格、语速和音效。该模型约 4B 参数，基于 Qwen3-4B 骨干，采用多阶段解码架构，专为流式对话语音智能体设计。
匹配字段标题
微软 AI 发布文本转语音模型 MAI-Voice-2，从仅支持英语扩展到 15 种语言，并新增 sad、whispered、excited 等情感标签控制。该模型支持用 5-60 秒参考音频做零样本声音克隆，在对比测试中被 72% 的偏好选择优于前代 MAI-Voice-1，现已上线 Microsoft Foundry，并正在集成进 VSCode 和 Dynamics 365 Contact Center。
匹配字段标题
微软 AI 发布七款自研 MAI 模型，覆盖图像、语音、转录、编码与推理，包括旗舰推理模型 MAI-Thinking-1、面向 GitHub Copilot 的 MAI-Code-1-Flash、MAI-Image-2.5、MAI Transcribe-1.5 和 MAI-Voice-2。MAI-Thinking-1 在盲测人工对比中优于 Sonnet 4.6，MAI Transcribe-1.5 支持 43 种语言且速度是竞品的五倍，MAI-Image-2.5 的 Arena 分数超过 Nano Banana Pro。模型将在 Foundry、OpenRouter、Fireworks 和 Baseten 上提供，开发者首次可以自行微调模型权重；微软同时宣布与 Mayo Clinic 合作共建医疗前沿模型。
匹配字段标题
Microsoft 发布 MAI-Transcribe-1.5 多语言语音转写模型，语言覆盖从 25 种扩展到 43 种，在 FLEURS 基准上取得 43 种语言的最佳词错误率，Artificial Analysis 榜单 WER 为 2.4%、排名第 3。该模型一小时音频转写耗时不到 15 秒，长音频速度最高为 Gemini 3.1、Scribe v2、GPT-4o-Transcribe 的 5 倍，并新增关键词偏置功能，在 FLEURS 上可将 WER 最多降低 30%。模型已接入 Copilot、Teams、GitHub 和 Dynamics 365 Contact Centre，并在 Foundry 与 MAI Playground 提供。
匹配字段标题