2026年9月30日,Hugging Face发布Open TTS Leaderboard,面向多语言TTS与语音克隆提供可扩展评测。据Hugging Face介绍,该榜单默认按Seed TTS Eval英文集与CV3 Eval(zero shot)的宏平均WER排名,hexgrad/Kokoro-82M、Supertone/supertonic-3和fishaudio/s2-pro领先。榜单支持多语言切换,中日韩使用CER,并提供语音克隆对比与SIM说话人相似度列;同时新增Streaming标签页按TTFA排名,kyutai/pocket-tts在GPU和CPU上表现突出。目前尚无后续发展事实。
匹配字段摘要
2026年9月30日,Live Voice Chat全面推送至所有Pro移动端用户。据代表来源报道,实时语音聊天现已100%向移动端所有Pro用户开放,并邀请用户反馈使用体验。目前尚无后续发展事实,事件状态为已全面推送。
匹配字段摘要
2026年9月29日,Suno 宣传 Suno Studio 的语音转换功能,称用户可以录下自己的声音,把它变成任何东西。Suno 在当日发布的说明中举例表示,电吉他只是开始。目前该功能尚无后续发展事实,官方与代表性证据均来自 Suno 同一发布内容,未提供更多细节。
匹配字段摘要
演员亨利·卡维尔与谷歌合作,将使用新款高性能笔记本 Googlebook 从零打造一款电子游戏。据谷歌博客 2026 年 9 月 29 日发布的消息,该游戏计划于今年 11 月制作。Googlebook 搭载 Gemini Intelligence,支持与 Android 手机同步的 Continue on phone、Rambler 语音转文字和 Antigravity 等功能。目前尚无后续开发进展的公开事实证据。
匹配字段摘要
2026年9月29日,Inception Labs发布扩散式推理语言模型Mercury 2,称其为全球最快的推理语言模型。该模型采用扩散式并行精炼而非自回归逐 token 解码,官方称生成速度提升超过5倍,在NVIDIA Blackwell GPU上达到1,009 tokens/sec。定价为每百万输入token 0.25美元、每百万输出token 0.75美元,支持可调推理、128K上下文、原生工具调用和schema对齐的JSON输出,并兼容OpenAI API,面向编码补全、智能体循环、实时语音和搜索RAG等延迟敏感场景,现已可用。同日,Inception Labs宣布Mercury 2上线Azure AI Foundry,目前在美国和加拿大区域提供。
匹配字段摘要
2026年9月23日,Google发布两款Gemini语音模型:Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS。据发布信息,两款模型支持用30秒音频复刻音色、用一句话描述设计新音色,并可逐行指定风格、笑声、叹气、副语言声音和双人场景;音色库可按语言、口音、性别、音高和角色筛选,复刻带同意校验,每条音频加SynthID水印,已在Gemini API和Google AI Studio提供。另有报道称其支持100多种语言、可从2000多种预设音色中挑选,Flash TTS面向游戏、有声书和播客等高保真创意制作,Flash-Lite TTS面向近实时语音智能体、批量配音和规模化音频生产。官方称其在Hume Voice Design基准排名第一、Hume Quality占据第一和第二,并在6种语言的Voice Arena登顶。目前尚无进一步有证据的发展。
匹配字段摘要
2026年9月24日,TechCrunch AI 刊文分析 ElevenLabs 联合创始人兼 CEO Mati Staniszewski 的采访内容。报道称,Staniszewski 透露公司 ARR 达 6 亿美元,55% 以上来自企业客户,投资方对其估值据报道达 220 亿美元。他表示不介意毛利率被进一步压缩以换取市场份额,并认为当下企业应披露对话方是 AI 智能体。报道还提到 Klarna、Deutsche Telekom、Cisco、Adobe 及多国政府均在使用其语音模型。目前该故事尚无后续发展事实。
匹配字段摘要
Google发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话音频模型,即日起通过Gemini API、Google Workspace和Gemini应用开放。据Google DeepMind介绍,Gemini 3.8 Live Extended Thinking在Artificial Analysis语音到语音质量指数得82.6分排名第一,τ-Voice智能体任务完成率68.6%,Big Bench Audio得97.7%;Gemini 3.8 Live在Speech Agent Arena排名第二。两款模型支持近实时视觉输入、对话中自动切换97种语言,并可在后台执行工具和API调用而不打断对话。9月18日,Google展示用Gemini 3.8 Live Extended Thinking构建的工作坊助手演示,可分析工作区、出声推理并引导搭建过程。9月21日,Google又演示了用该模型构建的编程辅导Agent,能查看用户屏幕、通过function calling引用p5.js库并讲解代码逻辑。
匹配字段摘要
2026年9月21日,Tripo展示使用Tripo P2.0生成3D资产与VRM模型的工作流。据Tripo发布的信息,该演示为Jev x Tripo x Astra实战演示,展示使用Tripo P2.0生成3D资产和VRM模型,并结合Jev驱动语音激活战斗与逻辑的流畅工作流,可玩demo链接见下方推文。目前没有后续发展事实,状态停留在该次展示。
匹配字段摘要
2026年9月19日,Atlassian在Loom中使用了Transcribe 2.0语音转录功能,并支持将转录内容直接导出至Cursor进行编码。据该消息描述,Atlassian发现Transcribe 2.0在捕捉用户指令方面更为准确,用户可通过Loom口述变更请求,再导出到Cursor完成编码。目前尚无后续发展事实,该事件仍处于这一状态。
匹配字段摘要
2026年9月30日,Vapi 发布 Personal Agent Calling 测试版,为个人助理提供语音层,使其可以代用户拨打电话。据 Vapi Blog 介绍,用户只需把一段提示词粘贴进助理,并填入商家与任务,Vapi 即可代为拨号、等待并回报结果。该功能支持 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助理,除 Vapi 通话分钟数外不额外收费。测试中,Vapi 营收负责人 Bryan Parman 让助理致电航空公司申请 Economy Plus 过道座位,助理等待 14 分钟后接通人工,按指示拒绝支付 51.69 美元费用,最终获得免费升舱。目前该功能处于 beta 阶段,尚无后续发展事实。
匹配字段摘要
2026年9月29日,Vapi 推出面向客户体验的 Vapi for CX 工具包。据 Vapi 官方博客介绍,该工具包面向 CX、运营、产品和工程团队,主打对语音智能体全生命周期的完全控制。其中 Vapi Composer 支持用自然语言构建语音智能体,产出的配置对象与 API、CLI 和 MCP server 中的一致,底层设置仍可编辑;电话、轮次切换、打断处理、并发与合规由 Vapi 托管。目前该消息仅有 Vapi 官方这一来源,尚无其他独立来源的后续发展。
匹配字段摘要
Meta 于 2026 年 9 月 23 日发布 Meta VR Glasses。据 Meta Newsroom 介绍,整机约 100 克,比 Meta Quest 3 轻五倍,采用眼镜加外接 puck 的两段式设计,puck 负责算力、电池与存储。设备搭载 5K Infinite Display 与 micro-OLED 面板、37 PPD,支持 Dolby Vision 和 Dolby Atmos,由高通 Snapdragon Reality Elite 处理器驱动;puck 电池可支持约三小时高分辨率媒体播放和 45W 快充。Meta AI 智能体已集成进操作系统,可通过语音、眼动和手势操作,无需手柄。产品将于 2027 年春季开售,售价 1299.99 美元。目前尚无后续发展事实。
匹配字段摘要
2026年9月24日,Meta发布并介绍由Muse Realtime Voice与Muse Realtime Avatar组成的统一流式架构。据Meta介绍,二者通过共享语音token流连接:前者生成编码内容与韵律的语音token,后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文,在任意对话长度下保持有界计算,同时生成同步的语音、唇动与表情。团队将带3-way CFG、每段视频需120次评估的40步扩散教师模型蒸馏为无引导的2步因果学生模型,配合固定长度KV cache与self-forcing,以少60倍的评估次数接近教师质量。Meta还称,在自家实时通话产品中与两个商用化身系统对比,Muse Realtime Avatar在整体偏好上领先。目前尚无后续发展事实。
匹配字段摘要
Suno 宣传 Suno Studio语音转换功能
English translation is being prepared.
匹配字段摘要
AWS Machine Learning 讲解 用 vLLM-Omni 在 SageMaker 上构建实时语音应用（上）
English translation is being prepared.
匹配字段摘要
ElevenLabs 发布 Eleven v4及Eleven v4 Turbo语音模型
English translation is being prepared.
匹配字段摘要
AWS Machine Learning 讲解 用 Qwen3-TTS 在 Amazon SageMaker AI 上部署实时个性化语音
English translation is being prepared.
匹配字段摘要
2026年9月19日,Qwen 推出新一代实时同声传译模型 Qwen3.8-LiveTranslate。据官方发布信息,该模型基于 Interleave 架构,在 60 种语言上把平均延迟(LAAL)从 2.8s 降到 2.3s,并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离,可在多方语音中区分说话人,并通过更稳定的声音克隆保留各自音色;双语同步显示,原文与译文同屏呈现;长上下文消歧,利用对话历史澄清人名和术语以保证译文一致。模型已在 QwenCloud 上线,官方同时给出博客和案例链接。目前尚无后续发展事实。
匹配字段摘要
Atlassian 在Loom中使用 Transcribe 2.0语音转录并导出至Cursor
English translation is being prepared.
匹配字段摘要