Sarvam AI 发布 Sarvam Audio，这是基于 30 亿参数语言模型 Sarvam 3B 的音频扩展，支持 22 种印度语言，提供五种可控转写格式（逐字转写、规范化非混码、规范化混码、罗马化输出、智能翻译）。在 IndicVoices 评测集上，Sarvam Audio 在非规范化、规范化和混码三种转写风格下的 WER 均优于 GPT-4o-Transcribe 和 Gemini-3-Flash，并支持最长 60 分钟音频的多说话人分离识别。
匹配字段标题
Instawork 将 Vapi 语音智能体用于小时工岗位筛选，把电话初筛规模扩大 50 倍，达到每天约 16,000 个岗位批准，技能匹配成功率提升 30%，单次通话成本降低 85%，并从概念到高并发生产上线仅用约 30 天。Instawork 于 2025 年初在评估多个语音 AI 工具后选择 Vapi，看重其大规模可靠性、对 LLM/STT/TTS 与工具调用的灵活配置，以及面向非技术团队的仪表盘。
匹配字段标题、摘要
一家拉美汽车交易平台通过语音 AI 编排平台接入内部 MCP 服务与 LangGraph 工作流，将呼叫中心规模缩减超 50%，营收增长 200%，获客成本降低 50%。该平台目前每天处理 1 万至 1.5 万通语音 AI 智能体电话，在 5 个国家支持 450+ 并发通话，并部署了 1000+ 本地化智能体。
匹配字段标题、摘要
Decagon 与 Modal 合作推出 Decagon Voice 2.0，延迟降低 65%，意图识别与响应质量显著提升。团队用 SFT 和 RL 训练紧凑开源模型，并定制 EAGLE3 草稿模型，接受长度比开源基线高 38%；同时为 SGLang 构建异步调度器，H200 GPU 空闲时间完全消除，吞吐量最高提升 12%。
匹配字段标题
Vapi 发布 Squads，让开发者用多个专职语音助手通过交接协作处理复杂对话，并保持上下文。每次交接可分别设置上下文规则（不传、传最近 N 条或全部消息），交接过程无音频中断，同一 Squad 可同时用于语音和 SMS。Fleetworks 已通过 Squads 每天处理 240,000 通电话。
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
Cartesia 宣布其文本转语音平台现已符合 GDPR 合规要求，满足欧盟关于合法数据处理、数据主体权利及安全措施的严格标准。该认证建立在 SOC 2 Type II、PCI-DSS、HIPAA 及可选零数据保留等既有安全基础之上。
匹配字段标题、摘要
微软 AI 发布首个高表现力语音生成模型 MAI-Voice-1，已在 Copilot Daily 和 Podcasts 中上线，并在 Copilot Labs 提供体验；该模型可在单张 GPU 上不到一秒生成一分钟音频。同时，微软 AI 首个端到端训练的基础模型 MAI-1-preview 已在 LMArena 开启公开测试，这是一个在约 15,000 块 NVIDIA H100 GPU 上完成预训练和后训练的 MoE 模型，未来数周将逐步用于 Copilot 的部分文本场景。
匹配字段标题、摘要
Vapi 披露其语音 AI 流水线采用流式架构，以 20ms 音频分块并行处理输入、转录与响应生成，取代传统 STT→LLM→TTS 顺序级联，后者会造成超过 4 秒的对话空白。转录流在用户说话时输出部分结果并立即送入 LLM，端点模型预测用户说完后发送完整语句，若判断错误则丢弃该请求并基于更新转录重新发起。这是该系列三篇中的第一篇。
匹配字段标题、摘要
Cartesia 发布语音智能体开发平台 Line，采用代码优先设计，开发者可通过 SDK、CLI 和 GitHub 集成快速构建和部署语音智能体。Line 集成 Sonic 和 Ink 模型，提供低延迟、可扩展的基础设施，并支持企业本地部署和模型微调。
匹配字段标题、摘要
Mistral AI 为 Le Chat 新增 Deep Research（预览）、Voxtral 驱动的语音模式、Magistral 驱动的多语言推理、Projects 及与 Black Forest Labs 合作的高级图像编辑。用户可在 chat.mistral.ai 或移动应用中免费试用，无需信用卡。
匹配字段标题、摘要
Mistral AI 发布 Voxtral 语音理解模型，包括面向生产应用的 24B 版本和面向本地及边缘部署的 3B 版本，均采用 Apache 2.0 许可证。模型支持 32k Token 上下文、最长 30 分钟转录或 40 分钟理解，并提供音频问答、摘要、多语言识别和语音 Function Calling。模型可从 Hugging Face 下载或通过 API 使用，价格为每分钟 $0.001 起。
匹配字段标题、摘要
Vapi 通过动态路由系统将每次请求发往当时最快的 Azure OpenAI 部署，把 GPT-4o mini 的 P95 延迟削减了超过 1000ms。该系统先用单 token 请求轮询 40 多个部署，再结合线上真实延迟实时更新路由表，并保留少量流量探索其他部署；针对请求无响应挂起的情况，还按各部署历史标准差设置动态阈值，超时即回退到次快部署。
匹配字段标题
Vapi 推出 Vapi CLI，让开发者无需离开终端即可控制语音 AI 基础设施，所有仪表盘功能均可通过命令调用。其中 vapi init 可自动识别 React、Vue、Next.js、Python、Go、Flutter、React Native 等技术栈并安装对应 SDK、生成代码示例；vapi mcp setup 为 Cursor、Windsurf、VSCode with Copilot 等 IDE 接入 MCP，避免 AI 幻觉出不存在的 Vapi API。CLI 还支持本地调试 webhook，无需 ngrok 隧道，现已可用。
匹配字段标题、摘要
Vapi 博客盘点了 Azure 之外的 8 个语音 AI 语音转文本（STT）替代方案：Gladia、AssemblyAI、Deepgram、Cartesia、Talkscriber、OpenAI、Speechmatics 和 Elevenlabs。这些提供商均原生支持 Vapi，开发者只需修改一个 JSON 参数即可切换模型进行测试。其中 Gladia 端到端延迟低于 100 ms，AssemblyAI 新模型在开放域英语基准上词准确率达 90–95%，Deepgram 提供低于 300 毫秒延迟的定制模型。
匹配字段标题、摘要
Vapi 发布教程，介绍如何在 Vapi 平台选择 Grok 3 构建企业语音智能体。Grok 3 是 xAI 的推理模型，具备 100 万 token 上下文窗口、Think 模式与多模态能力，在 AIME 2025 得 60%、GPQA 79.1%、LiveCodeBench 65.5%，MMLU 0.799。定价为每百万 token 输入 $3、输出 $15，快速版 $5/$25，但 API 上下文窗口实际限制为 131,072 token，且不支持原生音频处理。
匹配字段标题、摘要
Vapi 在博客中拆解语音 AI 的多轮对话能力：每轮交互都基于此前内容，需要上下文保留、指代消解、动态对话流和错误恢复四项核心能力。文中称采用上下文感知 AI 的企业满意度分数提升 60%、流失率下降 30%，并给出分层记忆、槽位填充、追问提示和错误处理等实现要点。
匹配字段标题、摘要
Cartesia 推出 Ink 系列流式语音识别模型，首发 Ink-Whisper 基于 OpenAI Whisper 优化，面向实时语音智能体。Ink-Whisper 在背景噪声、专有名词、口音等场景下 WER 优于 whisper-large-v3-turbo，并实现最低 TTCT，价格为 1 credit/秒（Scale 计划 $0.13/小时）。
匹配字段标题、摘要
Vapi 发布 Vapi Workflows，一个用于设计多步对话流程的可视化编排平台，可通过 API 或可视化构建器配置。每个工作流由 Conversation、API Request、Transfer Call、Tool、End Call 等节点组成，支持按节点切换语音、模型或语言，提取并跨流程传递变量，用全局跳转节点转接人工，按逻辑或 AI 条件路由对话，以及实时调用 API 并处理响应。产品团队可可视化绘制流程，开发者用 API 接入真实逻辑，并可在通话模拟器中测试。
匹配字段标题、摘要
Vapi 博客列举语音 AI 在物流领域的三个落地案例：ShipEX 用 Dialpad 为 350 辆卡车调度提供语音智能，自动发送维护告警和事故报告；Idaho State Liquor Division 部署语音拣货系统，拣货率提升 35%；技术人员可通过语音智能体上报设备问题并自动在 CMMS 生成工单。文章称企业通常可在 12-18 个月内从运营节省中收回实施成本。
匹配字段标题、摘要