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
Vapi 提出用语音 AI 承接 ACCESS 慢性病管理项目的工作流，理由是 65% 的患者在复杂健康对话中仍选择语音，Hiya 2025 报告显示医疗场景语音偏好从 33% 升至 42%。Spring Venture Group 用 Vapi 语音智能体自动完成 Medicare 线索资格审核，4 名工程师一周上线，转成交率提升 3%，节省与新增收入合计超 580 万美元。
匹配字段标题、摘要
Vapi 宣布完成 5000 万美元 B 轮融资，由 Peak XV 领投，YC、M12、Kleiner Perkins 等参投，总融资额达 7200 万美元。过去一年其企业收入增长 10 倍，智能体累计处理超过 10 亿通电话。Amazon Ring 在两周内从评估转为将全部呼入电话交由 Vapi 运行，且 CSAT 有所提升。
匹配字段标题
Together AI 推出 Voice Finder，开发者可通过自然语言描述或上传音频样本，搜索并比较 10 个 TTS 模型中的 600+ 种语音。系统使用 omni-model 为每种语音生成涵盖音高、口音、语言、情绪等 15+ 个维度的元数据，支持排序推荐、试听和筛选；其语音智能体平台端到端延迟低于 500ms。
匹配字段标题、摘要
xAI 推出 Custom Voices，用户录制约一分钟自然语音即可克隆自己的声音，并在两分钟内生成可用于生产的语音模型。该功能接入 Grok Text to Speech 和 Voice Agent API，支持语音标签、多语言输出以及 REST 和 WebSocket 流式传输，使用自定义声音不额外收费。创建前需通过两阶段验证，先朗读验证短语由 STT 引擎实时比对，再比对说话人嵌入向量确认同一人，因此无法用已有录音或他人声音进行克隆。
匹配字段标题、摘要
Sakana AI 提出 KAME（Tandem Architecture for Enhancing Knowledge）架构，被 ICASSP2026 接收，让语音到语音模型负责快速响应、后端 LLM 异步生成候选回答并作为“oracle”信号实时注入，把范式从“先想后说”变为“边说边想”。后端 LLM 可自由替换 GPT-4.1、Claude Opus 或 Gemini 2.5 Flash，实验中 Claude 在推理类任务得分更高，GPT 在人文类任务表现更好。
匹配字段标题、摘要
小米 MiMo 开源 MiMo-V2.5-ASR，作为 MiMo-V2.5 语音系列的识别基础模型，面向中英文真实语音场景。官方称其覆盖吴语、粤语、闽南语、四川话等中文方言，以及 AMI 等复杂英文音频、中英混说、中英文歌词识别、高噪声与远场、多说话人会议与重叠对话，并可直接生成标点无需后处理。官方表示该模型在中英文、方言、混说和歌词识别上达到 SOTA 或具备较强竞争力，Demo、代码、权重和 Hugging Face Space 均已开放。
匹配字段标题、摘要
小米 MiMo 发布 MiMo-V2.5 Voice 语音系列，包含 MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign 和 MiMo-V2.5-TTS-VoiceClone 三款 TTS 模型，并开源 MiMo-V2.5-ASR。TTS 系列支持指令跟随、内联音频标签控制和文本理解，VoiceDesign 可用自然语言描述生成全新音色，VoiceClone 只需几秒参考音频即可高保真克隆音色。ASR 覆盖中英双语、中文方言、语码转换、噪声环境、多说话人和歌词识别，并原生生成标点。TTS 系列在小米 MiMo API 平台限时免费，MiMo TTS Skills 已开源以便集成到智能体应用。
匹配字段标题、摘要
小米 MiMo 推出 MiMo-V2.5-ASR，作为 MiMo-V2.5 语音系列的听觉基座，面向中英文真实场景识别，覆盖吴语、粤语、闽南语、四川话等方言、AMI 等复杂英文音频、中英混说、歌词识别、高噪声与远场、多人重叠对话及诗词术语等知识密集语音，并原生输出标点无需后处理。官方称其在中文、英文、方言、混说和歌词识别上达到 SOTA 或极具竞争力。
匹配字段标题、摘要
小米 MiMo 发布 MiMo-V2.5-TTS 系列语音模型，包含内置高质量音色的 MiMo-V2.5-TTS、用自然语言描述生成全新音色的 VoiceDesign，以及只需几秒参考音频即可克隆音色的 VoiceClone。三款模型共享三项能力：可靠遵循情绪、语气、节奏与风格等指令，支持在文本中插入音频标签精确控制情绪与状态，以及仅凭纯文本理解停顿、情绪转折和角色线索。VoiceClone 无需额外训练或微调，并能保留呼吸、节奏和停顿等个人细节。
匹配字段标题、摘要
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，主打复杂多步工作流中的高精度数据录入与高频工具调用，原生支持 25 种以上语言。该模型在评估全双工语音智能体的 τ-voice Bench 榜单上排名第一，并在 Starlink 电话销售与客服中落地，销售询单转化率 20%、客服自主解决率 70%，单个智能体调用 28 个工具。
匹配字段标题、摘要
xAI 发布两个独立音频 API：Grok Speech to Text（STT）和 Grok Text to Speech（TTS），基于驱动 Grok Voice、Tesla 车辆和 Starlink 客服的同一套技术栈。STT 支持 REST 批量转写与 WebSocket 实时转写，具备词级时间戳、说话人分离、多声道和逆文本归一化，覆盖 25+ 语言，批量定价 $0.10 每小时、流式 $0.20 每小时；TTS 支持 [laugh]、[sigh]、[whisper] 等语音标签控制语气与情感，定价 $15.00 每 100 万字符。
匹配字段标题、摘要
Google DeepMind 推出 Gemini 3.1 Flash TTS，通过 audio tags 精细控制语音风格、节奏和表达，并支持 70 多种语言及原生多说话人对话。该模型在 Artificial Analysis TTS 排行榜获得 1,211 Elo 分，正逐步上线 Google AI Studio、Vertex AI 和 Google Vids；生成的音频均带有 SynthID 水印。
匹配字段标题、摘要
微软推出多语言语音转文字模型 MAI-Transcribe-1，支持 25 种语言，在 FLEURS 基准上词错率低于 Scribe v2、Whisper-large-V3、GPT-Transcribe 和 Gemini 3.1 Flash-Lite。该模型批量转写速度比现有 Microsoft Azure Fast 快 2.5 倍，定价为每小时音频 0.36 美元，已在 Microsoft Foundry 开启公开预览，并逐步接入 Copilot 语音模式和 Microsoft Teams。
匹配字段标题、摘要
Gemini 3.1 Flash Live 现已开放使用，整体质量得到改进，支持开发者和企业规模化构建可完成复杂任务的语音优先智能体。该模型在 ComplexFuncBench Audio 的受约束多步函数调用和 Scale AI AudioMultiChallenge 的含中断长程推理测试中领先，并以多语言能力支持 Search Live 推广。
匹配字段标题、摘要
Cohere 发布开源权重 Conformer 语音识别模型 Transcribe，可将 14 种语言的语音转为文本，并已开放下载。该模型在 Hugging Face Open ASR Leaderboard 的平均 WER 为 5.42%，可在本地或端侧运行，也可通过有限速的免费 API 和 Model Vault 使用。
匹配字段标题、摘要
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数规模 4B，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，具备情感表达和零样本跨语言音色适配能力。模型在 10 秒参考音频、500 字符输入的典型场景下延迟为 70ms，实时系数约 9.7x，现已通过 API 和 Mistral Studio 提供，定价为每 1k 字符 0.016 美元。官方称人工评测中其自然度优于 ElevenLabs Flash v2.5，并与 ElevenLabs v3 质量持平；带参考音色的版本以 CC BY-NC 4.0 许可在 Hugging Face 开放权重。
匹配字段标题、摘要
蚂蚁百灵发布 Ming-flash-omni-2.0 语音生成模型，支持语速、音量、音调等基础属性控制，以及方言、情感和音色设计，内置 100+ 精品音色。该模型基于自研连续表征 Tokenizor 和自回归 Diffusion，实现 speech/audio/music 一体化生成。指标显示粤语和四川话生成准确率为 96% 和 86%，较 CosyVoice3 提升 2.3% 和 11.5%。
匹配字段标题、摘要
Sarvam AI 推出 Saaras V3 语音识别模型，原生支持流式低延迟解码，覆盖 22 种印度官方语言和英语，在 IndicVoices 基准上 WER 约 19%（V2.5 约 22%）。模型基于 100 万小时以上多语言音频训练，在 10 种最常用语言子集上 WER 为 19.31%，并在低资源语言上保持稳定准确率。
匹配字段标题、摘要
Sarvam AI 发布 Bulbul V3 文本转语音模型，面向印度语言提供自然、富有表现力且可用于生产的语音。该模型在 Josh Talks 开展的第三方盲测 A/B 人耳听测中覆盖 11 种语言，在 8 kHz 电话场景下偏好度领先 ElevenLabs v3 alpha、v2.5 flash 和 Cartesia Sonic-3，并新增低延迟流式输出模式。模型提供 11 种印度语言、35+ 音色并支持声音克隆，计划扩展到 22 种印度语言，2026 年 2 月期间 Sarvam Dashboard 提供不限量 API 访问。
匹配字段标题、摘要