Voice AI Night 太火了 🔥 昨晚 Mountain View 挤满了人，参加我们关于下一代端到端语音模型的主题演讲，以及与 @PLAUDAI @cresta 和 Firework 的创始人圆桌，讨论如何在全球范围内构建语音 AI。 感谢 Seamate 联合主办——也感谢所有到场、用餐并提出好问题的人 🎙️ 更多构建者，更多语音 AI，很快见 👀
Voice AI Night 太火了 🔥 昨晚 Mountain View 挤满了人，参加我们关于下一代端到端语音模型的主题演讲，以及与 @PLAUDAI @cresta 和 Firework 的创始人圆桌，讨论如何在全球范围内构建语音 AI。 感谢 Seamate 联合主办——也感谢所有到场、用餐并提出好问题的人 🎙️ 更多构建者，更多语音 AI，很快见 👀
匹配字段摘要
微软发布针对 MDASH harness 优化的 MAI-Cyber-1-Flash，在 CyberGym 上取得 96% 的 any crash 分数，成本为当前 MDASH 最佳方案的 50%，并可在 H100 上部署。该模型设计用于高效处理最多 90% 的任务，把 GPT 5.4 等最贵模型留给 10% 的极难问题。微软同时披露上季度已交付十余个覆盖图像、语音、转写、编码和安全的新模型，其中 MAI-Image-2.5-Flash 在 PowerPoint 中相比 GPT-Image-2 降低最多 84% 的 GPU 成本，MAI-Voice-2-Flash 在 Dynamics 365 Contact Center 中降低最多 89% 的 GPU 成本。
匹配字段摘要
微软 AI 宣布 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 进入公开预览。MAI-Image-2.5-Pro 主打高保真图像生成与精确图像内文字渲染，定价为每 1M 文本输入 token 5 美元、每 1M 图像输入 token 8 美元、每 1M 图像输出 token 106 美元；MAI-Voice-2-Flash 面向高并发语音场景，比 MAI-Voice-2 快 2 倍、便宜 32%，定价为每 1M 字符 15 美元。微软称 MAI-Image-2.5 已成为 Bing Image Creator 的默认模型，在 PowerPoint 中使 GPU 成本最多降低 84%，在 OneDrive 中使保存率提升 26%、P95 延迟降低约 25%；MAI-Voice-2-Flash 已接入 Dynamics 365 Contact Center 与 Azure Voice Live，GPU 成本最多降低 89%。
匹配字段摘要
Vapi 发布 Model Intelligence，包含 Model Presets 与 Model Performance Metrics 两项功能。Presets 按 Balanced、High Intelligence、Ultra Fast、Cost Saver 四种目标推荐 transcriber、LLM 与 voice 组合，Balanced 成为新助手默认配置。性能指标基于超 10 亿通真实通话的 P50 延迟、成本与质量数据，语音采用 0-100 分的 Humanness Index。
匹配字段摘要
LiveKit 正式发布 Unity SDK v2.0.0，将其移出 Developer Preview，并实现与现有 LiveKit SDK 的功能对齐。该 SDK 支持低延迟语音聊天、音视频流、VR 远程操控机器人，以及接入 LiveKit agent 打造语音 AI NPC，可选 STT→LLM→TTS 管线或单一实时模型。官方支持 Unity 2022.3 及以上版本，覆盖 macOS、Windows、Linux、iOS 和 Android。
匹配字段摘要
欧盟委员会宣布两项规格决定，要求 Google 允许第三方 AI 助手在 Android 上被语音激活并代用户操作应用，同时向其他搜索引擎和 AI 聊天机器人共享经匿名化处理的搜索数据。Google 全球事务总裁 Kent Walker 称这些决定会削弱隐私与安全护栏，并指出搜索数据仅做假名化而非完全匿名。搜索数据共享要求自 2027 年 1 月起生效，AI 互操作部分自 2027 年 7 月起生效。
匹配字段摘要
Vapi 宣布 Jayson Noland 出任首席财务官。Noland 此前在华尔街担任基础设施与网络安全研究分析师十余年，曾参与 Zscaler 2018 年 IPO，后加入 Cloudflare 并协助其完成上市、推动 ARR 突破 10 亿美元，还曾任职 HackerOne。他表示加入 Vapi 是因为看好语音成为人机交互的下一个主要界面，并将为公司搭建财务体系与资本配置机制。
匹配字段摘要
ElevenLabs 研究工程师 Angelos Perivolaropoulos 介绍了如何通过标准工程优化，将语音推理的单 GPU 服务能力从 1 名用户提升至 70 名，架构级改造则可达到约 140 名。连续批处理、FP8 量化、多 token 预测和经蒸馏适配的 FP8 KV cache 是主要手段，其中 KV cache 缩小 2.5x 后，吞吐量从 28 名用户增至 70 名。各项技术会引入延迟、内存上限或质量损失，实际选择取决于具体工作负载。
匹配字段摘要
Revolut 通过统一网关和按 AI 用例治理的控制层，在受监管的银行环境中运行生成式 AI，并为每个生成式产品设置模型回退链。其平台支撑的生成式用例约为传统机器学习用例的两倍，按任务选择满足要求的较小模型可将成本最多降低 8 倍且不损失质量。语音服务已覆盖 20 个国家、每月处理约 25,000 通电话，AIR 则结合交易数据分析支出并回答金融相关问题。
匹配字段摘要
Figma 向社区征集对软件未来的想象，提出临时控件、Magic marker、自适应存在、共情流程、情境提示与空间调校等交互构想。其中 Magic marker 可同时读取语音、光标轨迹与手势，让用户像对同事一样对 AI 说“把这个移上去”，无需钻研提示词工程。
匹配字段摘要
Vapi 汇总了与 Spring Venture Group（SVG）联合举办的 Medicare 线索资格审核网络研讨会中观众最常问的七个问题，涵盖外呼合规、集成、语音质量、模型选择、安全、测试与人工转接。Vapi 不训练自有模型，而是让用户分别替换 STT、LLM 和 TTS 组件；平台提供 HIPAA 合规配置与 Zero Data Retention，但外呼合规责任由部署方承担。
匹配字段摘要
LMSYS 联合 MOSI 与 OpenMOSS 团队宣布，在 SGLang-Omni 上为 MOSS-TTS-Local-Transformer-v1.5 提供端到端服务。该开源 TTS 模型支持 48 kHz 立体声、零样本语音克隆、最长 10 分钟长文本合成、31 种语言与原生流式，采用 Qwen3-4B 自回归骨干和约 2B 参数的 MOSS-Audio-Tokenizer-v2。SGLang-Omni 将其拆分为预处理、tts_engine 与流式声码器三阶段流水线，并针对参考音频编码引入内容寻址 LRU 缓存。
LMSYS 联合 MOSI 与 OpenMOSS 团队宣布，在 SGLang-Omni 上为 MOSS-TTS-Local-Transformer-v1.5 提供端到端服务。该开源 TTS 模型支持 48 kHz 立体声、零样本语音克隆、最长 10 分钟长文本合成、31 种语言与原生流式，采用 Qwen3-4B 自回归骨干和约 2B 参数的 MOSS-Audio-Tokenizer-v2。SGLang-Omni 将其拆分为预处理、tts engine 与流式声码器三阶段流水线，并针对参考音频编码引入内容寻址 LRU 缓存。
匹配字段摘要
xAI 宣布 Grok Imagine Video 1.5 在 Imagine API 正式可用，模型名为 grok-imagine-video-1.5，同时 Video 1.5 Fast 已上线 grok.com/imagine 及 iOS、Android 应用。官方称这是其目前最好的图生视频模型，音效、环境音与对白在同一次生成中完成，语音更清晰、同步更好，画面运动与物理表现更稳定。Video 1.5 Fast 生成 6 秒 720p 视频约需 25 秒，此前模型需 40 秒以上；未来几天还将上线 Projects、多智能体并行和素材库搜索等功能。
匹配字段摘要
Zyphra 发布 ZONOS2，一个 Apache 2.0 许可的实时文本转语音模型，具备高保真声音克隆能力，采用 9 亿激活参数、80 亿总参数的稀疏 MoE 架构，是首个开源 MoE TTS 模型。相比 Zonos-v0.1，训练数据从约 20 万小时扩展到超 600 万小时，模型规模从 1.6B 增至 8B，实时吞吐提升 4 倍，并支持最长一分钟的多语言与语码转换音频生成。模型权重已在 Hugging Face 发布，基于 SGLang 的推理代码在 GitHub 开源，同时上线 Zyphra Cloud 并提供 API，发布后促销期内免费。Zyphra 还提出新的 ZTTS1-Eval 评测基准，覆盖 9 种语言的 Clean 集与 17 种语言的 In-The-Wild 集。
匹配字段摘要
小米 MiMo 发布并开源终端编码助手 MiMo Code V0.1，采用 MIT 许可，附带限时免费的 MiMo V2.5 多模态模型，支持百万 token 上下文窗口。该工具提供无限上下文、Agent 与模型协同、Compose Mode、自进化系统以及基于 MiMo-V2.5-ASR 的语音输入，并兼容 Claude Code，可自动加载已有的 skills、MCP 服务器和命令并复用 API 配置。Mac 与 Linux 可用一行 curl 命令安装，Windows 通过 npm install -g @mimo-ai/cli 安装，同时支持 Anthropic、OpenAI、DeepSeek、Kimi、GLM 等模型提供方。
匹配字段摘要
微软 MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。首个推理模型 MAI-Thinking-1 为 35B 激活参数 MoE，256K 上下文窗口，AIME 25 得分 97%，SWE Bench Pro 53%，官方称未做知识蒸馏。编码模型 MAI-Code-1-Flash 仅 5B 参数，SWE Bench Pro 51%，今日起在 VS Code 中逐步向约 10% 个人用户推送。
匹配字段摘要
作者花 10 欧元买下 Silverlit YCOO NEO OCTOBOT 玩具机器人，拆解后逆向其单层 PCB，移除主控 IC 并直接接管 H 桥驱动电机。方案用 Adafruit FT232H 让手机充当显示屏与 USB 控制端，服务端跑在笔记本上，用 TypeScript 和 Node 管理语音转文字、文字转语音、LLM 与智能体，目标是让所有模型本地运行以保护孩子隐私。
匹配字段摘要
阿里千问团队发布 Qwen3.5-LiveTranslate-Flash，这是基于 Qwen3.5-Omni 的实时同传模型，可同时理解语音与视觉上下文。相比前代 Qwen3-LiveTranslate，输入音频与输出文本语言从 18 种扩展到 60 种，输出音频语言从 10 种增至 29 种，语音到语音平均每 token 延迟降至 2.8 秒。模型新增实时语音克隆与热词增强能力，支持通过 DashScope API 接入。
匹配字段摘要
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。 · Google DeepMind introduced Gemini Omni, whose first model, Gemini Omni Flash, accepts image, audio, video and text inputs to generate high-quality videos and supports multi-turn editing through natural-language conversation. It is rolling out to the Gemini app, Google Flow and YouTube Shorts,
匹配字段摘要
xAI 宣布即日起可在 Nous Research 的开源自我改进智能体 Hermes Agent 中直接使用 Grok 订阅。接入后可用 Grok 4.3 进行文本对话与高级推理、Grok Text-to-Speech 生成语音回复、Grok Imagine 生成图像和视频，所有订阅档位均可使用。Hermes Agent 可持久运行在任意电脑、沙箱或 VPS 上，跨会话建立长期记忆，并能连接 WhatsApp、Discord、Telegram、Signal 等消息平台；用户通过 hermes model 选择 xAI Grok OAuth 并浏览器登录即可启用。
匹配字段摘要