2026年10月20日,蚂蚁百灵公开致谢SGLang项目,感谢其为Ming-3.0提供首日SGLang-Omni支持,并发布实用cookbook帮助开发者上手。据SGLang原帖介绍,SGLang-Omni首日支持Ming-3.0的三个版本:Ming-3.0-asr-tiny支持中英文及方言ASR,Ming-3.0-tts-tiny支持7种语言的语音克隆,Ming-3.0-audio-flash是126B-A6.5B MoE模型,用于音频理解与推理。目前该致谢由蚂蚁百灵发布,尚无后续发展事实。
匹配字段摘要
佛罗里达州奥西奥拉县警方声称,诈骗者使用AI克隆警长Steve Moser的声音,并配上其照片,给一名居民留下语音留言,冒充他本人。另一名警长Chris Blackmon向News6证实了此事。报道还提到,此类冒充警察的骗局正在多个州蔓延,佐治亚州和宾夕法尼亚州近一周内出现陪审团义务和逮捕令诈骗报告;在佛罗里达州,冒充警察属三级重罪。目前尚无后续发展事实。
匹配字段摘要
Deepgram与AWS合作,将Nova-3语音转文字模型移植到AWS Trainium2。据AWS Machine Learning于2026年10月20日发布的信息,单台trn2.3xlarge实例可运行8个模型副本,在离线批处理场景下每美元处理的音频量比原有方案提升11%–70%。团队使用TorchNeuron完成PyTorch移植,并通过NKILib融合内核与手写NKI内核调优,其中FFN内核延迟降低2.0x、depthwise conv1d提速1.5x,conv2d内核解锁了32以上的批大小。目前尚无后续发展事实。
匹配字段摘要
Amazon SageMaker JumpStart 提供精选 AI 模型、解决方案模板和示例笔记本目录。据 AWS Machine Learning 2026 年 10 月 20 日发布的回顾,2026 年 1 月至 9 月,该目录新增来自 30 家提供商的 100 多个模型,其中 Alibaba(Qwen)贡献 29 个、NVIDIA 17 个、Mistral 7 个、Google 6 个 Gemma 4 变体、IBM 4 个、Cohere 4 个。新增模型覆盖多模态、语音、图像与视频生成,并引入 GLM-5.2 FP8、JetBrains Mellum2-12B 等量化与紧凑模型以降低推理成本。目前该目录保持上述新增内容。
匹配字段摘要
Sonos推出Beam Ultra回音壁音箱,定价699欧元,比Beam 2贵200欧元。据heise online于2026年10月15日发布的评测,该产品九个驱动单元中有两个朝天花板发声,配合四个低音单元可省去独立低音炮,并可用两台移动Sonos音箱充当后置环绕。Sonos首次将音箱系统命名为“Sonos 27”,通过Anthropic的Model Context Protocol(MCP)让ChatGPT、Claude等AI聊天机器人接管音乐控制。测试显示其家庭影院音效扎实、人声清晰,但音乐播放和传统语音助手联动存在短板。目前尚无后续发展事实。
匹配字段摘要
2026年10月19日,Inception发布旗舰扩散语言模型Mercury 3。官方称其在多项基准上超过GPT-6 Luna和Claude Haiku 5.5,在NVIDIA GPU上达到1,068 tokens/s,速度为后两者的4–8倍;参数量比Mercury 1大40倍以上,上下文窗口从Mercury 2.5的260K提升到1M,从Mercury 1(mini)到Mercury 3的基准智能水平提升3倍。该模型已在Inception API Platform及OpenRouter、Baseten、Vercel上线,兼容OpenAI API,早期合作伙伴已将其用于语音与客服、实时辅导、数据工程和网页导航。10月20日的报道补充称,发布价每百万输入tokens 0.10美元、输出0.35美元,正式价为0.20和0.70美元,缓存输入0.02美元;Mercury 2和2.5已停止向新用户开放,老客户可用至2026年11月15日。目前尚无进一步有证据的发展。
匹配字段摘要
日本演员协会(JAU)发布了生成式AI使用准则第一版,适用于所有借助AI复刻演员声音生成的音频,包括未经许可用于语音合成、深度学习、机器学习等场景。准则要求任何想复刻演员声音的主体在流程每一步都须取得当事人同意,AI企业将演员声音用于训练须获表演者许可,经授权生成的语音被视为一类表演,企业需支付报酬或版税。为《龙珠》孙悟空配音的野泽雅子在接受NHK采访时称未经许可使用她的声音与盗窃没有区别,并提到听过的AI复刻声音没有情感。该工会约有2600名配音演员与演员会员,这份准则被称为日本首批针对AI语音录制的行业规范。
匹配字段摘要
2026年10月17日,乐奇Rokid发布《乐奇新品哲思(三):AI眼镜的交互不应该只停留在语音输入》文章,阐述其对下一代AI眼镜交互方式的理念。据VR陀螺10月19日报道,Rokid预告新一代AI眼镜将采用“眼镜负责显示、语音负责解释、微手势负责确认”的交互方式,支持轻触、双击、滑动、长按及捏合等微手势,用于导航、翻译、维修、运动及会议等场景。报道还提到,Rokid Jungle 2026预热海报中出现一枚黑色环形设备,新品或将探索AI眼镜与智能戒指等可穿戴设备的协同交互。发布会定于10月27日在杭州举行,届时公布具体配置及功能升级。
匹配字段摘要
HTC披露了VIVE Eagle智能眼镜的隐私保护机制。据VR陀螺报道,该眼镜拍摄的视频经加密后仅存于本地,不会自动上传至手机或云端,导出需通过配套应用手动操作。录制指示灯被遮挡时设备会停止录制,用户也可用语音指令停止拍摄,周围人员可主动要求终止录制。VIVE AI助手可调用OpenAI ChatGPT及Google Gemini,用户无需登录第三方AI账户;HTC表示不会用眼镜收集的个人信息训练自有或第三方AI模型。目前该机制已随披露公开,尚无后续发展事实。
匹配字段摘要
Deepgram与AWS合作,将Nova-3语音转文字模型移植到AWS Trainium2。据AWS Machine Learning于2026年10月20日发布的信息,单台trn2.3xlarge实例可运行8个模型副本,在离线批处理场景下每美元处理的音频量比原有方案提升11%–70%。团队使用TorchNeuron完成PyTorch移植,并通过NKILib融合内核与手写NKI内核调优,其中FFN内核延迟降低2.0x、depthwise conv1d提速1.5x,conv2d内核解锁了32以上的批大小。目前尚无后续发展事实。
匹配字段摘要
乐奇Rokid 发布 《乐奇新品哲思（三）：AI眼镜的交互不应该只停留在语音输入》文章
English translation is being prepared.
匹配字段摘要
2026年10月17日,马斯克转发Grok Bot关于语音通话更快、更可靠、更擅长记住历史对话的帖子,并建议用户让Grok Bot连接自己的X私信,称这是最好的使用方式。目前该建议仅来自马斯克本人的转发与表态,尚无后续发展事实或官方证据披露。
匹配字段摘要
Vapi宣布Jeff Liu出任工程副总裁。据Vapi Blog消息,Jeff Liu此前在Turing担任工程副总裁约五年,并曾在LinkedIn和Google任职。Jeff Liu表示,上任后的首要任务是平台可靠性与可扩展性,以支撑未来几个季度的高影响力产品发布;他认为Vapi是在构建语音部署所依托的平台,而非单一应用。
匹配字段摘要
Elon Musk 转发 Brian Roemmele 的演示,称 Grok Bot 可以打电话给餐厅并帮你订位。Roemmele 表示,自己搭建的 Grok Bot 用 Grok 语音完成通话,能自行找到餐厅电话、确认时间和姓名、复述信息后再拨号,通话结束用平实语言汇报结果,并可把预订写入日历。他还接入了 ClawCall 提供的号码,免费额度为 30 次通话或 30 分钟,并设置了不提供信用卡信息、不主动外呼等限制。目前该说法来自这一演示转发,尚无后续独立发展。
匹配字段摘要
Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,面向常驻智能体任务,官方称其在同类开放模型中吞吐最高,比次优模型快5倍;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在RTX/DGX Spark本地运行智能体任务,后者面向GeForce RTX、Jetson上的语音与对话智能体。Super VL与Bolt 74B-A9B已上线Hugging Face,Bolt E4B计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。
匹配字段摘要
2026年10月16日,Bland 推出新工具 Blandie 的公开演示。据 Testing Catalog 报道,该工具可根据企业网站内容自动创建带品牌标识的语音和短信智能体。消息以企业名称和 logo 的认证发送方形式发出,Android 走 RCS、iPhone 走 iMessage。智能体可处理预订和支付,回答基于所提供网站的内容,还能回复网站截图和图片,并可记住客户是否拨打过 Bland 的电话号码,在文字聊天中引用。目前尚无后续发展事实。
匹配字段摘要
2026年10月16日,Meta 宣布其 Omnilingual Automatic Speech Recognition(ASR)入选《TIME》2026 年度最佳发明。据 Meta 介绍,该系列模型支持超过 1,600 种语言的语音识别,其中 500 种低资源语言此前从未被任何 ASR 系统覆盖。Meta 称这标志着迈向真正通用转写系统的重要一步。目前该事件尚无后续发展事实,状态停留在入选公布阶段。
匹配字段摘要
Peter Yang于2026年10月18日评价Claude Code应用,称其现在快了很多,用起来可以说比ChatGPT更简单,并感谢amorriscode及其团队。他同时指出,该应用目前仍缺少更好的浏览器/电脑操作、对所有线程的远程控制以及实时语音。目前没有后续发展事实,状态停留在这一评价。
匹配字段摘要
Rohan Paul 提出一项判断:智能体的输入可能来自大脑。他于2026年10月18日发表的观点认为,每个计算时代都有自己的输入方式,从键盘、鼠标、触屏到语音,而智能体(Agent)的输入可能来自大脑。其理由是,当计算机是一个替你干活的模型时,最有用的输入就是尽可能直接地表达你想要什么,就像把脑中的完整想法交给智能体,不因措辞而损耗,也不必反复澄清意思。目前该判断仅见于其本人发表的内容,尚无后续发展事实或官方证据。
匹配字段摘要
2026年10月15日,SpaceXAI 发布语音到语音模型 Grok Voice 3.0。据 MarkTechPost 报道,该模型在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一,高于 GPT-Live-1(Astra, medium)的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分;其 τ-Voice 得分 71.6%,仍低于 GPT-Live-1 的 74.5%。模型通过 /v1/realtime WebSocket 端点以 grok-voice-3.0 提供,仅托管 API、无开放权重,价格维持 $0.08/分钟,首音频延迟 0.81 秒。SiliconANGLE 同日报道称,该模型已在 Voice Agent API 上线,每分钟 8 美分,与 Grok Voice 2.0 同价,并称其首次出声快约 40%。目前无进一步有证据的发展。
匹配字段摘要