Gemini 的视频理解改为智能体式处理，模型可自行浏览视频时间线、决定看哪些片段、选择帧率，并判断是否需要语音转录、音频或视觉帧来回答提示词。官方称长视频最多减少 88% 的 token 和 66% 的成本，基准准确率提升约 7%。启用方式是在 video 上设置 processing="agentic"，2 分钟以内的视频仍用 static；该功能已在 Gemini API 和 Google AI Studio 上线，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash Lite。
匹配字段摘要
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首个实时音频感知模型，支持实时流式 ASR、20 人以上说话人分离和端点检测，并具备多语言与无缝语码切换能力，可通过语言、关键词和上下文偏置提升准确率。该模型在 ArtificialAnlys 流式语音转文字和公开说话人分离基准上排名第一。它属于 Muse Spark 系列的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）逐 token 处理，结合词错误率和延迟奖励的 RL 实现自适应延迟，已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。
匹配字段摘要
Google 发布 8 月 AI 更新汇总，推出面向编程与智能体的 Gemini 3.7 Flash，每百万 token 定价为 3.6 Flash 的一半，并发布语音转文本模型 Gemini 3.5 Transcribe。同期亮相的 Pixel 11、Pixel 11 Pro、Pixel 11 Pro XL 和 Pixel 11 Pro Fold 搭载 Google Tensor G6 芯片，运行最新 Gemini Nano 模型。Gemini 应用月活用户突破 10 亿，Gemini Omni 1.1 Flash 已在 Google Flow、Google AI Studio、Gemini Enterprise Agent Platform 和 Gemini 应用中上线。
匹配字段摘要
Hugging Face 的 Open ASR Leaderboard 首次加入全球南方语言，新增 Monsoon 数据集，覆盖印度英语和印地语共四个 split。该数据集按地理、年龄、性别、词汇、设备、声学环境、语音类型、语速和多份有效转写九个维度设计，印度英语公开集覆盖 30 个邦和联邦属地的 428 个本土地区，涉及 315 至 582 种设备型号，单一型号占比不超过 2.1%。印地语集因拼写变体多，采用 lattice 形式给出可接受的多种拼写。
匹配字段摘要
Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。
Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。 · Gemini 3.5 Transcribe is now available via API for building apps that understand user speech and intent, including conversations with multiple speakers. It automatically detects 85+ languages, supports custom vocabulary adaptation for specialized jargon, and is available through Google AI Studio, Gemini Enterprise, the Gemini app on
匹配字段摘要
Tata Communications 客户交互套件全球负责人 Gaurav Anand 指出，企业在消息、语音和数字渠道快速部署 AI 智能体、语音 AI 与自动化，但多数只是把对话式 AI 硬接到并非为此设计的遗留系统上，真正集成、可扩展并支持无缝编排的平台很少。他认为企业战略重心正从自动化转向编排，并需要共享的企业本体与上下文层，让 AI 智能体、应用和人工坐席基于同一套客户与业务理解协同工作。Tata Communications 的应对方案是 Interaction Fabric 编排层，统一联络中心、消息、协作、AI 与客户数据，并实时协调 AI 智能体、渠道和企业系统。
匹配字段摘要
Google Research 发布 LLM 驱动的 XR 原型 AgentHands，为对话智能体配上与语音同步的表达性手势，把抽象指令变成贴合用户物理空间的动作演示，论文发表于 CHI 2026。系统通过眼动与场景重建把兰花、笔记本等物体注册进 3D 边界框，LLM 在回复中内联 GestureEvents，头显本地解析器用词级时间戳让手势与 TTS 精确同步。在 N=12 的被试内研究中，AgentHands 与纯语音基线对比，验证了 XR 与共语手势结合在兰花养护和 3D 打印机操作任务中的效果。
匹配字段摘要
Grok Voice Think Fast 2.0 现已可通过 API 或我们的 Agent Builder 使用。前往 https://t.co/ZKLH1N6rs4 构建、调优和部署你的语音智能体。 了解更多：https://t.co/XUiX1CnWV1
Grok Voice Think Fast 2.0 现已可通过 API 或我们的 Agent Builder 使用。前往 https://t.co/ZKLH1N6rs4 构建、调优和部署你的语音智能体。 了解更多：https://t.co/XUiX1CnWV1
匹配字段摘要
Starlink 正使用 Grok Voice 每日处理逾 15,000 通客户支持和销售来电。Grok 可诊断硬件问题、寄送替换设备，并通过语音通话和聊天每周完成逾 3,000 笔订单。
匹配字段摘要
Mistral 与 HUMAIN 宣布在 AI 基础设施、先进模型开发和 AI 解决方案部署上展开战略合作，初期聚焦网络安全与语音，并计划开发阿拉伯语表现强劲的前沿模型，合作规模达数亿欧元。Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。
匹配字段摘要
OpenRouter 上线 Visual Image Benchmarks，用于快速评估其平台上的全部图像模型（截至 2026 年 8 月共 39 个），结果以网格展示并可按价格和生成时间排序。评测提示词分为七类：不可能场景、计数、文字、空间关系、否定、编辑和一致性，同一套并排格式也覆盖视频与语音模型。用户随后可通过 OpenRouter API 或 Chat 用自己的提示词测试这些模型。
匹配字段摘要
OpenRouter 上线 Visual Image Benchmarks，用一组挑战性提示词横向对比其平台上的全部图像模型（截至 2026 年 8 月共 39 个），结果以网格展示并支持按价格和生成时间排序。提示词分为七类：不合理场景、计数、文字、空间关系、否定、编辑和一致性。同一并排对比格式也覆盖视频与语音模型，新图像模型上线后会加入网格。
匹配字段摘要
xAI 宣布 Grok Build 从 7 月的 SuperGrok Heavy 限定 Early Beta 转为面向所有用户开放，覆盖网页、iOS 和 Android。用户在对话中描述应用、游戏、网站或仪表盘，Grok 即可实时生成可运行版本，并可通过 grok.me 链接发布分享。新增能力包括 Remix 复刻、自定义域名、导出到 GitHub、密钥存储和连接器，应用还可按需调用 Grok 的对话、图像和语音 API。
匹配字段摘要
小技巧：用 @bot 当你的制作助手。 写场景、锁定对白、拆成分镜，再用提示词让 Imagine 生成语音、视频和图像。然后完成剪辑。
小技巧：用 @bot 当你的制作助手。 写场景、锁定对白、拆成分镜，再用提示词让 Imagine 生成语音、视频和图像。然后完成剪辑。
匹配字段摘要
LiveKit 宣布其 Inference 平台上的所有 LLM、STT、TTS 模型默认启用零数据保留（ZDR），无需设置开关、升级套餐或配置控制台，且适用于所有 LiveKit 套餐。ZDR 要求不保留、不记录日志、不训练、不聚合用户数据，LiveKit 通过合同承诺、账户或工作区配置以及每次请求的参数来强制第三方提供商遵守，无法达标的提供商不会接入。Agent 可观测性保留转录和音频 30 天，Egress 录制存入用户自有云存储，语音克隆样本在最后一次使用 12 个月后删除。
匹配字段摘要
Sarvam AI 联合 AI4Bharat 推出 Indic DiarBench，这是首个覆盖全部 22 种印度法定语言、联合标注 ASR 与说话人分离的开源基准数据集，包含 108 小时自然对话语音。数据集涵盖 2-9 名说话人、近场与远场会议及 YouTube 真实场景，并提供人工校验的转写文本与说话人时间戳，支持 DER 等指标对说话人归属 ASR 进行联合评测。
匹配字段摘要
Cartesia 为 Ink-2 语音转文字模型新增 keyterm prompting 和可配置轮次检测。keyterm prompting 支持在连接时传入最多 100 个关键术语（共 1,200 字符），在 Earnings22 基准上关键词召回率提升 20%，漏检率降至 6.2%，低于 Deepgram Flux 的 13.5%。可配置轮次检测允许在低延迟与高轮次准确性之间调节，可在连接时或通话中调整。两项功能已对所有 Ink-2 用户开放。
匹配字段摘要
Sarvam AI 在首届 Sarvam Epoch 上公布全栈更新，包括 Sarvam 105B 面向对话与工作智能体的新变体、Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览。Sarvam 105B 在自建印度对话生产基准上四项指标均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash，混合 token 价格为每百万 0.80 美元，并已通过 Sarvam API 提供。公司同时推出印度本地推理层 Sarvam Inference、自服务智能体平台 Indus（含 Voice Agents、Work Agents、Content Studio）、早期测试的 Sarvam Code、安全智能体 Sarvam Cyber 预览，以及 Mac 版语音应用 Kivi。
匹配字段摘要
Sarvam AI 宣布推出 Sarvam Circle 合作伙伴计划，联合云厂商、OEM、系统集成商、咨询公司、ISV 和投资机构，把印度自研前沿 AI 推向全国机构。其全栈模型目前每天支撑超 200 万次语音对话、3500 万页文档数字化和约 1 千万次 API 调用。AWS、HCLTech、Thoughtworks、IBM、HP、MoEngage 等已加入该计划。
匹配字段摘要
终于能听懂你的 AI。👂 Hy ASR 3.0 预览版今日发布。 由 Hy3 的语言大脑驱动 → 精准 ASR + 深度语义理解 优势在于：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 杂乱的真实世界音频？干净、连贯、精准命中你意图的转写。 公开与内部基准：领先。多语言 WER ≈ 3%。 语音刚刚升级。🔥 #HyASR #TencentAI #Hy3
终于能听懂你的 AI。👂 Hy ASR 3.0 预览版今日发布。 由 Hy3 的语言大脑驱动 → 精准 ASR + 深度语义理解 优势在于：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 杂乱的真实世界音频？干净、连贯、精准命中你意图的转写。 公开与内部基准：领先。多语言 WER ≈ 3%。 语音刚刚升级。🔥 HyASR TencentAI Hy3
匹配字段摘要