搜索“语音”

David Singleton 称 Muse 的 iOS 操作按钮集成最快

2026年9月18日,David Singleton 评价 Muse 在 iOS 上的操作按钮集成,称其是让 Muse 替你做事最快的方式,甚至可以直接从锁屏使用,并称其“太棒了”。他引用的帖子介绍,该快捷方式会自动打开语音转写,按住说话、再按发送,可仅用操作按钮与 Muse 连续对话。目前没有后续发展事实,事件仍停留在这一评价与集成说明。

ElevenLabs推出AI接待员Reception

2026年9月16日,ElevenLabs旗下ElevenAgents推出AI前台Reception,面向小企业全天候接听来电、回答业务问题并在日历中预约。据ElevenLabs官方博客介绍,该产品内置ElevenLabs语音与智能体编排,几分钟即可完成设置、无需技术经验,可转发现有业务电话或使用专用号码,并提供通话摘要、转录和录音。目前没有后续发展事实,产品处于发布状态。

StepFun发布StepAudio 3 Music音乐生成基础模型

2026年9月16日,StepFun(阶跃星辰)发布StepAudio 3系列音频模型,其中包含音乐生成基础模型StepAudio 3 Music。据官方信息,该系列共5款音频模型,覆盖实时语音、语音识别、语音生成、音频生成和音乐。官方同时披露了系列中其他模型的表现:Realtime在Artificial Analysis的Conversational Dynamics和Speech Reasoning两项分别达到98.9%和99.7%,均排名第一;ASR的词错率为1.7%,与榜单最好成绩持平。官方称该系列可用于构建能处理打断、边说话边推理并调用工具的语音智能体,现已通过Voice AI Lab和博客开放,API亦已开放。目前尚无后续发展事实。

ElevenLabs MCP新增多媒体生成

2026年9月14日,ElevenLabs 扩展其 MCP 连接器的能力,新增语音、音乐、图像及视频生成。据 ElevenLabs Blog 同日发布的信息,用户通过一次安装和 OAuth 登录,即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频,所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型,无需自建服务器或管理 API 密钥,且与驱动 ElevenLabs Agents 的 MCP 为同一个,已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具,数据驻留地在连接时选择。目前尚无后续发展事实。

LiveKit解读VAD推理慢于实时告警

2026年9月9日,LiveKit 产品与工程博客发文,解释语音智能体日志中出现的“inference is slower than realtime”警告。文章指出,该警告指的是智能体进程内的 VAD 模型处理 32ms 音频窗口超时,与 LiveKit Inference 的 STT、TTS、LLM 无关;警告中的延迟表示 VAD 落后实时音频的时长,Python 以秒、Node.js 以毫秒上报。修复建议包括升级到最新版 LiveKit Agents 与 turn detector、使用 AgentSession 默认内置的 inference VAD,并排查阻塞事件循环与 CPU 负载。

ElevenLabs任命新财务主管

2026年9月8日,ElevenLabs宣布,前Adyen首席财务官Ethan Tandowsky加入公司担任首席财务官,负责扩展财务基础设施,并规划对研发、产品及全球扩张的投资。公司称,其全球团队目前有800人,语音与音频AI模型支持超过90种语言,已推出1000万个对话式AI智能体;大型组织贡献的收入占比已由上年同期的40%升至55%。

Vimeo扩展多语言自动配音

2026年1月以来,Vimeo客户已通过AI为超过2.5万个视频完成约140万分钟配音,超过27%的企业账户尝试过该功能,平均每个视频覆盖3.3种目标语言。9月7日,Vimeo进一步集成ElevenLabs Dubbing,将转录、翻译、声音克隆和语音合成整合为单一流程,支持40种目标语言。创作者可编辑文本轨道,并在发布前检查和调整配音结果。

谷歌发布Gemini 3.5转写模型

2026年8月26日,Google DeepMind发布Gemini 3.5 Transcribe语音转文本模型,面向实时转写场景,已在Gemini API、Google AI Studio和Gemini Enterprise Agent Platform向开发者开放。据官方信息,该模型相比此前的Chirp 3,最终转写时间据Artificial Analysis测量提升70%,在FLEURS基准上流式模式WER为5.50%、非流式模式为5.04%,并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入Gboard、Antigravity、Gemini app和Chrome等产品,LangChain、LiveKit、Vercel等平台通过Gemini Live API提供支持。次日,Google AI Developers进一步说明其面向代码场景的能力:可在转写时过滤口语中的犹豫停顿,并依据当前上下文精确对齐技术术语、文件名和代码变量,还通过视觉偏置为复杂开发者工作流提供屏幕感知上下文。目前该模型已开放构建入口。

Google发布XR手势交互原型AgentHands

2026年8月25日,Google发布XR手势交互原型AgentHands。据Google Research介绍,该原型由LLM驱动,为XR空间中的对话智能体配上与语音同步的表达性手势,把抽象指令转化为贴合用户物理空间的动作演示,相关论文发表于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。目前尚无后续发展事实。

Mistral与HUMAIN战略合作

2026年8月25日,Mistral AI与HUMAIN宣布达成战略合作,在沙特及中东推进主权AI。据Mistral AI发布的信息,双方合作涵盖AI基础设施建设、先进模型开发与AI解决方案部署,初期聚焦网络安全与语音领域,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。目前尚无后续发展事实披露。

OpenRouter推出Visual Image Benchmarks

2026年8月21日,OpenRouter上线Visual Image Benchmarks,用于横向评测其平台上的全部图像模型。据OpenRouter公告,截至2026年8月,该基准覆盖39个图像模型,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。用户随后可通过OpenRouter API或Chat,用自己的提示词测试这些模型。目前该基准已上线,尚无后续发展事实。

Grok分享用@bot做制作助理的流程

2026年8月17日,Grok分享了一套把 @bot 当作制作助理使用的工作流程。按其描述,这一流程先写场景、锁定对白,再把内容拆成分镜,随后通过提示词让 Imagine 生成语音、视频和图像,最后完成剪辑。目前公开的信息仅为这一流程本身,未提及具体工具版本、使用限制或实际效果。

LiveKit称ZDR默认覆盖全平台

2026年8月14日,LiveKit 发布说明,介绍其 Inference 平台上的零数据保留(ZDR)策略。据该说明,平台上的所有 LLM、STT、TTS 模型默认启用 ZDR,无需设置开关、升级套餐或配置控制台,并适用于所有 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,强制第三方提供商遵守,无法达标的提供商不会接入。说明还提到,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。

Google宣布Gemini Notebook将陆续新增功能

2026年9月15日,Google宣布为Gemini Notebook陆续新增功能。据gihyo.jp报道,Android与iOS应用将支持针对已注册资料源的实时语音对话,覆盖近100种语言,发布当周起向18岁以上的Google AI Ultra订阅者开放,随后扩展至Google AI Pro;录音功能于次周上线。报告功能新增「学习の概要」,可在摘要中嵌入图解、测验与闪卡,测验新增短答、多选、填空形式,数周内面向全部用户推出。目前尚无后续发展事实。

ElevenLabs MCP新增多媒体生成

ElevenLabs 扩展 MCP语音、音乐、图像及视频生成能力

查看事件：ElevenLabs MCP新增多媒体生成

Allegro部署ElevenAgents客服

Allegro 部署 ElevenAgents语音客服至三条配送热线

查看事件：Allegro上线语音智能客服

Meta Superintelligence Labs 推出 Muse Voice Transcribe

2026年9月2日,Meta Superintelligence Labs 推出其首个实时音频感知模型 Muse Voice Transcribe。据官方发布信息,该模型支持实时流式 ASR、20 人以上说话人分离和端点检测,具备多语言与无缝语码切换能力,并可通过语言、关键词和上下文偏置提升准确率。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强化学习实现自适应延迟。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,并已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。目前尚无后续独立发展事实。

Vapi宣布VapiCon 2026于11月11-12日举办

2026年8月12日,Vapi宣布第二届语音AI峰会VapiCon 2026将于11月11日至12日在旧金山Fort Mason的Festival Pavilion举办。据Vapi官方博客,本届活动从首届的一天扩展为两天,计划容纳1200+参会者、50+演讲者和20+赞助商。首届VapiCon于2025年10月2日举行,吸引超850人到场,覆盖451家公司和17个行业。目前门票已开售,演讲者征集同步开放。

谷歌发布Gemini 3.5转写模型

Google DeepMind 发布 Gemini 3.5 Transcribe语音转文字模型

查看事件：谷歌发布Gemini 3.5转写模型

Tata Communications高管提出企业AI战略重心正从自动化转向编排

2026年8月26日,Tata Communications 客户交互套件全球负责人 Gaurav Anand 提出,企业 AI 战略重心正从自动化转向编排。他指出,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。目前尚无后续发展事实。