Vapi于10月8日在旧金山湾租用游艇举办Fleet Week语音AI活动,30多位语音AI构建者参加,Deepgram、Kouper Health和Coval主持了炉边对话与技术工作坊。据Vapi Blog报道,船上最受关注的话题是GPT Live:跳过传统转录/合成可降低延迟、让对话轮转更流畅,但会牺牲对关键术语和脚本的精细控制。讨论焦点已从“语音AI能否对话”转向“如何让对话更自然”,具体包括backchanneling、感知延迟与自然度衡量。目前该活动由Vapi官方博客单一来源披露,尚无后续发展事实。
匹配字段标题
Scaled Cognition Inc. 于2026年10月20日推出文本转语音模型 Voice。据 SiliconANGLE 同日报道,该模型支持25种以上语言和声音克隆,可通过 API 调用或自托管部署,主打账号、地址等细节的准确朗读。报道称,托管 API 定价为每百万字符9美元,自托管为每百万字符1美元(不含基础设施),公司称500万字符规模下含基础设施约每百万字符13美元,并宣称语音生成延迟为70毫秒。其 Smart Pronunciation 能力会先判断缩写和数字的含义再生成音频,例如把 Pay 1/2 by 1/2 读作 pay half by January second,且不依赖 APT 或其他大语言模型即可运行。目前尚无后续发展事实。
匹配字段标题
inclusionAI 已在 GitHub 开源 Ming-3.0-asr-tiny 语音识别模型仓库。该模型将 Ling-tiny-v3 语言模型与音频编码器结合,支持中英文转写、方言识别和 Context ASR。方言评测覆盖湖南、闽南、粤语、川渝等 15 个测试集;Context ASR 可通过提示词中的热词或前序对话识别专有名词。推理栈使用 Transformers 5.12.1、fla-core 0.5.2 和 PyTorch 2.11.0,并提供 SGLang 加速部署示例。目前尚无后续发展事实。
匹配字段标题
inclusionAI 已在 GitHub 开源 Ming-3.0-asr-tiny 语音识别模型仓库。该模型将 Ling-tiny-v3 语言模型与音频编码器结合,支持中英文转写、方言识别和 Context ASR。方言评测覆盖湖南、闽南、粤语、川渝等 15 个测试集;Context ASR 可通过提示词中的热词或前序对话识别专有名词。推理栈使用 Transformers 5.12.1、fla-core 0.5.2 和 PyTorch 2.11.0,并提供 SGLang 加速部署示例。目前尚无后续发展事实。
匹配字段标题
fal 宣布 Kotoba 的语音 API 已上线。据 fal 发布的信息,该 API 支持实时语音翻译(文本与音频输出)、流式音频转写、预设音色语音生成,以及带可选词级时间戳的录音转写。目前该事件仅有 fal 这一来源的报道,尚无后续发展事实。
匹配字段标题
Scaled Cognition Inc. 于2026年10月20日推出文本转语音模型 Voice。据 SiliconANGLE 同日报道,该模型支持25种以上语言和声音克隆,可通过 API 调用或自托管部署,主打账号、地址等细节的准确朗读。报道称,托管 API 定价为每百万字符9美元,自托管为每百万字符1美元(不含基础设施),公司称500万字符规模下含基础设施约每百万字符13美元,并宣称语音生成延迟为70毫秒。其 Smart Pronunciation 能力会先判断缩写和数字的含义再生成音频,例如把 Pay 1/2 by 1/2 读作 pay half by January second,且不依赖 APT 或其他大语言模型即可运行。目前尚无后续发展事实。
匹配字段标题
2026年10月20日,蚂蚁百灵(inclusionAI)在GitHub开源Ming-3.0语音系列,分别提供语音合成、音频理解与对话、语音识别三个系列,共五款模型。其中Ming-3.0-tts含0.5B稠密版和基于Ling V3的7.9B总参数、1.3B激活参数tiny MoE版,支持声音克隆、文本设计音色与多语种合成;Ming-3.0-audio-flash采用126B参数MoE架构、激活参数6.5B,另有9.3B参数、激活2.7B的tiny版本,覆盖多方言口音识别、长音频理解与端到端语音对话,采用MIT许可。同日,vLLM宣布vLLM-Omni在发布当天提供支持,蚂蚁百灵致谢并表示部署更便捷;atomic.chat也将Ming-3.0接入本地AI工作流。Artificial Analysis公布评测称,Ming-3.0-tts在受控语音TTS Arena中位列开源权重模型第一,发音鲁棒性93.2%在31个模型中并列第一。10月22日有博主表示计划本地试跑0.5B版;10月23日Artificial Analysis称其以0.5B参数达到顶级TTS质量。
匹配字段标题
2026年10月20日,蚂蚁百灵(inclusionAI)在GitHub开源Ming-3.0语音系列,分别提供语音合成、音频理解与对话、语音识别三个系列,共五款模型。其中Ming-3.0-tts含0.5B稠密版和基于Ling V3的7.9B总参数、1.3B激活参数tiny MoE版,支持声音克隆、文本设计音色与多语种合成;Ming-3.0-audio-flash采用126B参数MoE架构、激活参数6.5B,另有9.3B参数、激活2.7B的tiny版本,覆盖多方言口音识别、长音频理解与端到端语音对话,采用MIT许可。同日,vLLM宣布vLLM-Omni在发布当天提供支持,蚂蚁百灵致谢并表示部署更便捷;atomic.chat也将Ming-3.0接入本地AI工作流。Artificial Analysis公布评测称,Ming-3.0-tts在受控语音TTS Arena中位列开源权重模型第一,发音鲁棒性93.2%在31个模型中并列第一。10月22日有博主表示计划本地试跑0.5B版;10月23日Artificial Analysis称其以0.5B参数达到顶级TTS质量。
匹配字段标题
Hippolyte.ai 采用 ElevenLabs语音合成
English translation is being prepared.
匹配字段标题
2026年10月20日,蚂蚁百灵(inclusionAI)在GitHub开源Ming-3.0语音系列,分别提供语音合成、音频理解与对话、语音识别三个系列,共五款模型。其中Ming-3.0-tts含0.5B稠密版和基于Ling V3的7.9B总参数、1.3B激活参数tiny MoE版,支持声音克隆、文本设计音色与多语种合成;Ming-3.0-audio-flash采用126B参数MoE架构、激活参数6.5B,另有9.3B参数、激活2.7B的tiny版本,覆盖多方言口音识别、长音频理解与端到端语音对话,采用MIT许可。同日,vLLM宣布vLLM-Omni在发布当天提供支持,蚂蚁百灵致谢并表示部署更便捷;atomic.chat也将Ming-3.0接入本地AI工作流。Artificial Analysis公布评测称,Ming-3.0-tts在受控语音TTS Arena中位列开源权重模型第一,发音鲁棒性93.2%在31个模型中并列第一。10月22日有博主表示计划本地试跑0.5B版;10月23日Artificial Analysis称其以0.5B参数达到顶级TTS质量。
匹配字段标题
法国招聘平台Hippolyte.ai在Screen.ai语音面试环节接入ElevenLabs语音合成,用于语音预筛选面试。据ElevenLabs博客2026年10月20日发布的信息,接入后三周内完成4,830场语音预筛选面试,累计272小时对话,平均每场3分23秒,单日峰值640通。数据合规方面,ElevenLabs的语音处理在欧盟境内完成,双方签署DPA,原始录音在转写后24小时内自动删除,以满足大客户的数据合规要求。目前尚无后续发展事实。
匹配字段标题
2026年10月19日,ElevenLabs与卡纳塔克邦创新与技术协会(KITS)签署谅解备忘录,探索将卡纳达语语音AI用于卡纳塔克邦的公民服务、技能培训和申诉处理,并让失声用户借助合成语音沟通、获得终身免费许可。代表来源报道称,印度语音AI初创公司对此表示反对:Maya Research的Dheemanth Reddy担忧公民与政府之间的敏感对话数据流向外国司法辖区,Navana.ai的Raoul Nanavati认为政府合同是本土公司最宝贵的信用背书。同一报道还对比了价格,ElevenLabs v4文本转语音API折扣价约每1000字符2.11卢比,Sarvam AI为每1000字符3卢比。目前尚无后续发展事实。
匹配字段标题
2026年10月19日,ElevenLabs与卡纳塔克邦创新与技术协会(KITS)签署谅解备忘录,探索将卡纳达语语音AI用于卡纳塔克邦的公民服务、技能培训和申诉处理,并让失声用户借助合成语音沟通、获得终身免费许可。代表来源报道称,印度语音AI初创公司对此表示反对:Maya Research的Dheemanth Reddy担忧公民与政府之间的敏感对话数据流向外国司法辖区,Navana.ai的Raoul Nanavati认为政府合同是本土公司最宝贵的信用背书。同一报道还对比了价格,ElevenLabs v4文本转语音API折扣价约每1000字符2.11卢比,Sarvam AI为每1000字符3卢比。目前尚无后续发展事实。
匹配字段标题
fal 宣布 Kotoba 的语音 API 已上线。据 fal 发布的信息,该 API 支持实时语音翻译(文本与音频输出)、流式音频转写、预设音色语音生成,以及带可选词级时间戳的录音转写。目前该事件仅有 fal 这一来源的报道,尚无后续发展事实。
匹配字段标题
NTT Docomo Business在福岛会津若松试点基于ElevenAgents的语音社区平台。该试点携手武田健康基金会,并在会津若松市协助下开展,其AI助手CONN为老年居民提供本地信息和日常对话。团队表示,日语语音合成的自然语调和情感表达是选择ElevenLabs的决定性因素。现场试验于2025年秋季开始,早期用户反馈积极。目前该试点仍在进行中,尚无进一步的发展事实披露。
匹配字段标题
NTT Docomo Business 试点 基于ElevenAgents的语音社区平台
English translation is being prepared.
匹配字段标题
2026年10月16日,OpenAI 推出 GPT-Live-1.1 语音更新,为 ChatGPT、Codex 和 dots 的语音功能带来新声音、更好的口音以及更少的“checking...”停顿,并新增法语、德语、印地语、墨西哥西班牙语、韩语和日语语音。据 OpenAI 当日发布的信息,该更新今日起向所有用户推送,API 即将上线。另有 Testing Catalog 同日报道称,此次升级修复了持续显示“Checking..”的问题,API 支持即将推出。目前尚无进一步有证据支持的发展。
匹配字段标题
OpenAI 推出 GPT-Live-1.1 语音更新，新增法语、德语、印地语、墨西哥西班牙语、韩语和日语新语音
English translation is being prepared.
匹配字段标题
2026年10月15日,马斯克发帖称 Grok 是全球最好的对话语音模型。他所引用的帖子介绍 Grok Voice 3.0 为全球最智能的语音到语音模型,擅长处理客户来电,响应时间不到一秒,成本低于其他前沿模型。目前没有后续发展事实,该说法仍为马斯克本人表态。
匹配字段标题
Elon Musk 称 Grok 是全球最佳对话语音模型
English translation is being prepared.
匹配字段标题