ElevenLabs 正式上线 OpenRouter，带来 9 个文本转语音模型和 2 个语音转文本模型，开发者用 OpenRouter API key 调用 POST /api/v1/audio/speech 和 POST /api/v1/audio/transcriptions 即可，无需单独的 ElevenLabs 套餐。其中 Eleven v4 负责旁白与角色配音，v4 Turbo 面向实时语音智能体且按 v4 半价计费，Scribe v2 支持说话人标签与词级时间戳；Flash v2.5 单次请求最多 40,000 字符，上传上限 25 MB。Realtime Scribe v2 over WebSocket 不在此次发布范围内。
匹配字段摘要
Sierra 在旧金山 Sierra Summit 2026 上发布 Agent OS 新增两个模型：Curie 负责对话核心编排，Fleming 用于识别来电方是否为 AI 智能体。同时推出 Tandem Voice 语音方案、Persona Studio 声音定制工具，以及与 Meta 等合作开发的 Personal Agent Protocol 开放标准。Sierra 称其客户覆盖近 50% 的 Fortune 50 企业。
匹配字段摘要
ElevenLabs 发布内置专家 ElevenAgents Architect，团队只需对话或输入文字即可启动并改进智能体。它理解 ElevenAgents 的知识库、提示词、工作流、语音设置、护栏、工具和模拟等配置，可分析通话记录、定位问题并给出修改建议，还会编写模拟测试供部署前验证。
匹配字段摘要
Robert Soriano 称用智能体把 Muse 的 gadget 客户端移植成 C，让它在家里放了 15 年以上的 PSP 上原生运行，按住 R 键对着内置麦克风说话，Muse 作答、OpenAI 提供语音。Muse 转发并评论："see THIS is why you kept it!"（看吧，这就是你留着它的原因！）
匹配字段摘要
一位特殊教育教师用课堂 Chromebook 上的 Gemini 为无法阅读的学生生成简单视觉指南，并让无法书写的学生通过语音提示与 Gemini 对话、生成自己的图像来表达想法。她正与同事一起构建一款 AI 应用，用于统一特殊教育规划与课程编排。
匹配字段摘要
ElevenLabs 介绍了其 Scribe 模型的原生词级转写能力：模型在单次 API 调用中直接输出带时间戳的结构化 token 数组，每个 token 标记为 word、spacing 或 audio_event，可识别笑声、掌声等非语音事件，无需二次强制对齐。Scribe 的词级转写最多支持 5 个声道，各声道独立转写，可用于字幕、可搜索音频档案和自动社交切片等场景。
ElevenLabs 介绍了其 Scribe 模型的原生词级转写能力：模型在单次 API 调用中直接输出带时间戳的结构化 token 数组，每个 token 标记为 word、spacing 或 audio event，可识别笑声、掌声等非语音事件，无需二次强制对齐。Scribe 的词级转写最多支持 5 个声道，各声道独立转写，可用于字幕、可搜索音频档案和自动社交切片等场景。
匹配字段摘要
Google 发布 9 月 AI 更新汇总，最新前沿模型 Gemini 4 Argon 主打高级推理与 100 万 token 输出上限，面向网络安全防御，目前通过 Fairwind Program 向受信任的防御方逐步开放。同期还推出 Gemini 3.8 Flash 与 3.8 Flash Cyber、Gemini 3.8 Live 语音模型、Lyria 3.5 音乐生成模型，并将 Gemini 应用带到 Windows。
匹配字段摘要
Vapi 宣布 GPT-Live 测试版向所有 Vapi 客户开放，此前仅限上月开始的限量测试与等待名单。GPT-Live 是 OpenAI 的全双工语音到语音模型，在 Vapi 上分为 speaker 和 reasoner 两个角色，speaker 全程保持通话并在需要查询或执行操作时把任务交给 reasoner，交接条件由提示词控制。迁移时需把原有单一系统提示词拆成 speaker 与 reasoner 两份，转写配置取消，语音改用 OpenAI 的 22 种音色，电话、工具、测试和可观测性等下游能力保持不变。
匹配字段摘要
Google 在 Gemini Live 中推出 Guided Vision，可在兼容 Android 设备上通过共享摄像头，对镜头所拍内容进行实时语音描述，支持读取小字、描述周围环境、寻找或识别物体等。该功能面向盲人、低视力用户及需要特定场景协助的人群，同时可在 Google TalkBack 中使用，Android 9 及以上设备可在设置中配置无障碍快捷方式。Google 提醒不要将其用于导航、安全出行指引或障碍物检测，也不能替代手杖或行动辅助工具。
匹配字段摘要
Tavus 推出名为 Griffin 的 Human Interaction Model，可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。Tavus 研究显示，48% 的参与者在一次一分钟视频通话后认为 Griffin 是真人，此前系统最高为 2%。在 Tavus 称为 Nvidia 独立测试的拟人度评分中，Griffin 得 3.83 分，真人为 3.92 分，此前最佳 AI 模型为 2.80 分。名为 Griffin-Lite 的预览版已向部分测试者开放，能力更强的版本将在安全问题解决后推出。
匹配字段摘要
作者竺大炜在橙竹洞见撰文分析，车载实体机器人在2026年集中出现，真正驱动力是智能座舱在屏幕、芯片和语音上日趋同质化，实体形象成为差异化载体，而非大模型成熟。文中对比三条路径：小米智能表盘2适配SU7、SU7 Ultra、YU7等车型，吉利Eva于2026年5月开启预售、报道定价1099元，荣威家越07把豆包屏与豆包座舱助手纳入整车方案。作者还提到2026年春运期间淘宝多款约200元车载AI机器人销量显示1万+，并认为长期价值取决于能否真正融入整车交互生态。
匹配字段摘要、正文
eric zakariasson 宣布 xAI 发布实验性 TypeScript SDK，可通过 npm install @xai-official/sdk 安装，在一个 SDK 中调用文本、语音、图像和视频能力，使用最新的 Grok 模型，并支持实时 X 搜索、网页搜索、代码执行和远程 MCP 等服务器端工具。Roshan Sadanani 转述称“我们有了新的 TS SDK”。
匹配字段摘要
Google 在兼容 Android 设备上为 Gemini Live 推出 Guided Vision，用户共享摄像头即可获得实时语音描述和取景提示。该功能与盲人和低视力社区共同开发，Google 与 Aira 合作处理了数万小时视觉解读数据，超过 1000 名 Aira 测试者参与压力测试与安全护栏评估。Google 说明它属于辅助工具，可能出错，不是医疗设备、行动辅具或白手杖替代品，也不用于导航和避障。
匹配字段摘要
OpenAI 在年度 DevDay 上发布由 GPT-6 Astra 驱动的智能体 Dots，目前仅向每月 100 美元的 Pro 及以上订阅用户开放，而 Meta 的 Muse 对所有 Meta 账号免费。Dots 被定位为可承接长周期知识工作的“幕僚长”，支持文本、语音和电话多模态交互，并计划推出会计、法律等专业版本，同时与 Microsoft 合作接入 Agent 365。Altman 称 Dots 因算力消耗大而先做高端产品，未来会推出面向数十亿人的大众版本。
匹配字段摘要
助听科技初创公司 Legato 宣布其旗舰 AI 助听眼镜 Legato Frames 正式开售，起售价 999 美元，面向轻中度听力损失成年人。该眼镜把助听技术集成在镜腿中，用 AI 区分人声与背景噪声并放大语音，双扬声器系统将声音导向佩戴者，耳外几英寸处声音可降低 99%。全部处理在眼镜端完成，不含摄像头与录音，整机含镜片重 34 克，续航 10-12 小时，提供三种款式并支持处方镜片与蓝牙音频。Legato 由前 Bose 高管 Mehul Trivedi 和 Steve Romine 于 2024 年创立，此前完成 1200 万美元融资。
匹配字段摘要
ElevenLabs 正式进入荷兰市场并在阿姆斯特丹开设办公室，任命 Goswijn Thijssen 领导当地团队，并计划今年将荷兰团队规模扩大两倍。荷兰最大电信公司 KPN 部署其语音智能体后，邮编识别准确率从 64% 提升至 82%，验证智能体已扩展至每周约 6 万通电话、成功率 62%。目前平台上有 100 个荷兰语声音，客户已生成超过 2 亿条音频片段。
匹配字段摘要
NVIDIA 用 NeMo 框架对 Nemotron 3.5 ASR 进行微调，在 133.7 小时 Najdi 和 Hijazi 语音上把词错误率从 55.05% 降至 29.96%，同时英语 WER 从 11.04% 改善到 10.42%，其他阿拉伯方言未退化。方案结合最小化数据筛选、与 FLEURS 数据的加权回放混合、按长度分桶和部分编码器解冻；改用 13 帧前瞻注意力上下文与 beam-8 MALSD 解码可在不重训的情况下再降 2.71 个绝对点 WER，代价是约 800 ms 延迟。
匹配字段摘要
字节 Seed 发布 Seed Audio 1.0，这是一个在统一框架内生成语音、音效、环境音等场景级音频元素的音频创作模型，现已通过 BytePlus 开放使用。模型支持提示词级对话时间控制，当前精度为 100 ms 间隔，单次可生成最长两分钟音频并支持续写，覆盖中文、英语、日语等 20 多种语言。评测显示多数场景可用音频率超过 90%，多语言自然度 MOS 多数高于 4.0。
匹配字段摘要
Rox 在其企业营收智能体平台中采用 Cerebras Inference 作为低延迟推理路径，通过按意图动态路由模型，让 Command 对话、语音免手操作和实时研究查询即时响应，深度研究任务则交给后台大模型处理。Rox 创始工程师称响应速度比此前方案快 10-20 倍，且输出质量保持出色。Cerebras Inference 现已上线 AWS Marketplace，按 token 付费、无需自建基础设施，可在原有 AWS 账单与安全框架内通过 API 接入。
匹配字段摘要
Baseten 工程博客的模型性能栏目汇总了多项推理优化工作，包括让 pyannote 的说话人分离（diarization）模型提速 9.6x、让 Kimi K3 的 tokenization 在百万 token 智能体负载下提速 18x，以及为 DeepSeek V4 Pro 0813 做推理工程优化。该栏目还涵盖托管 RL rollout 的 delta 权重同步优化、Coval 语音 AI 基准测试，以及为 Kimi K3 和 GLM-5.2 构建 API 的实践。
匹配字段摘要、正文