2026年8月11日,Sarvam联合AI4Bharat构建并发布Indic DiarBench基准数据集。据Sarvam AI Blog当日发布的信息,该数据集是首个覆盖全部22种印度法定语言、联合标注ASR与说话人分离的开源基准,包含108小时自然对话语音,涵盖2至9名说话人、近场与远场会议及YouTube真实场景,并提供人工校验的转写文本与说话人时间戳,支持DER等指标对说话人归属ASR进行联合评测。目前该故事尚无后续发展事实,状态停留在发布时点。
匹配字段摘要
2026年8月7日,Sarvam AI 在首届 Sarvam Epoch 上发布 Sarvam 105B 面向对话智能体与工作智能体的更新变体。据官方博客,该模型在自建印度对话生产基准上四项指标均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash,混合 token 价格为每百万 0.80 美元,并已通过 Sarvam API 提供。同一发布还包含 Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览,以及印度本地推理层 Sarvam Inference、自服务智能体平台 Indus(含 Voice Agents、Work Agents、Content Studio)、早期测试的 Sarvam Code、安全智能体 Sarvam Cyber 预览和 Mac 版语音应用 Kivi。目前尚无后续独立发展事实。
匹配字段摘要
2026年8月6日,Vapi宣布任命Nathalie Criou为产品副总裁。据Vapi Blog同日发布的信息,Criou此前曾在Google、VMware、Amazon、Twilio和Docker担任产品与综合管理职务,并创办并出售了RidePal。她在这一任命中谈及语音AI的未来,认为语音AI是少数已具备可重复ROI的AI应用,当前通话量被人为压低,约束解除后对话量将爆发;客户Kavak在六个月内围绕语音渠道重组了整个公司。她还提到,Vapi过去以开发者体验驱动增长,但开发者仅占劳动力约1%,非技术用户正成为平台需要服务的新群体。目前该任命尚无后续发展事实。
匹配字段摘要
2026年8月5日,Sarvam AI 宣布推出 Sarvam Circle 合作伙伴计划,联合云厂商、OEM、系统集成商、咨询公司、ISV 和投资机构,把印度自研前沿 AI 推向全国机构。据 Sarvam AI Blog 同日发布的信息,AWS、HCLTech、Thoughtworks、IBM、HP、MoEngage 等已加入该计划。同一来源还称,其全栈模型目前每天支撑超 200 万次语音对话、3500 万页文档数字化和约 1 千万次 API 调用。目前尚无该计划宣布后的进一步有证据发展。
匹配字段摘要
2026年7月30日,微软发布MAI-Cyber-1-Flash,该模型针对MDASH harness进行优化。据微软AI Blog披露,该模型在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。目前尚无后续发展事实。
匹配字段摘要
2026年7月24日,微软AI宣布MAI-Image-2.5-Pro与MAI-Voice-2-Flash进入公开预览。据微软AI Blog,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%。目前尚无后续发展事实。
匹配字段摘要
2026年7月2日,Vapi宣布任命Jayson Noland为首席财务官。据Vapi官方博客介绍,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。Noland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,他将为公司搭建财务体系与资本配置机制。目前该任命由Vapi官方渠道发布,尚无其他独立来源的进一步报道。
匹配字段摘要
2026 年 6 月 17 日,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。据 LMSYS Blog 当日发布的信息,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。在服务实现上,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。目前尚无后续发展事实,状态停留在该发布时点。
2026 年 6 月 17 日,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。据 LMSYS Blog 当日发布的信息,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。在服务实现上,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。目前尚无后续发展事实,状态停留在该发布时点。
匹配字段摘要
2026年6月12日,Zyphra发布实时文本转语音模型ZONOS2。据Zyphra Research介绍,该模型采用稀疏MoE架构,具备9亿激活参数、80亿总参数,是首个开源MoE TTS模型,并以Apache 2.0许可发布,支持高保真声音克隆。相比Zonos-v0.1,其训练数据从约20万小时扩展至超600万小时,模型规模从1.6B增至8B,实时吞吐提升4倍,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。目前尚无后续发展事实。
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。据 2026 年 6 月 10 日的发布信息,该工具基于 OpenCode 构建,面向数十甚至上百步的长程自动化编程任务,围绕计算、记忆、进化三个主题设计:Max Mode 每轮并行采样 5 个候选方案并由模型评判择优,在 SWE-Bench Pro 上比单次采样提升 10–20%,代价是约 4–5 倍 token 消耗;Goal 机制在智能体尝试终止时用独立模型校验停止条件,死循环概率低于 0.5%;记忆层面通过检查点与重建让逻辑会话可无限延长,并维护会话、项目、全局、历史四层记忆。内部双盲 A/B 测试覆盖 576 名开发者、474 个私有仓库,产生 1213 组对比,执行步数超过 200 时 MiMo Code 胜率升至 65% 以上。6 月 11 日的发布信息称,该工具附带限时免费的 MiMo V2.5 多模态模型,支持百万 token 上下文窗口,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 Clau
匹配字段摘要
2026年6月4日,LMSYS 宣布在 SGLang-Omni 上端到端服务 Higgs Audio v3 TTS。据 LMSYS Blog 同日发布的信息,Boson AI 的语音合成模型 Higgs Audio v3 TTS 已在 SGLang-Omni 上实现端到端服务,支持 100 种语言并达到个位数 WER/CER,可通过输入文本中的控制标签调节情绪、风格、语速和音效。该模型约 4B 参数,基于 Qwen3-4B 骨干,采用多阶段解码架构,专为流式对话语音智能体设计。目前尚无后续发展事实。
匹配字段摘要
2026年8月11日,Cartesia为其语音转文字模型Ink-2发布两项新功能:keyterm prompting和可配置轮次检测。keyterm prompting允许在连接时传入最多100个关键术语(共1,200字符),在Earnings22基准上关键词召回率提升20%,漏检率降至6.2%,低于Deepgram Flux的13.5%。可配置轮次检测允许在低延迟与高轮次准确性之间调节,可在连接时或通话中调整。两项功能已对所有Ink-2用户开放。
匹配字段摘要
2026年7月31日,StepFun在Mountain View举办Voice AI Night活动。据其发布的信息,当晚现场挤满了人,活动内容包括关于下一代端到端语音模型的主题演讲,以及与PLAUDAI、Cresta和Firework创始人的圆桌讨论,话题是如何在全球范围内构建语音 AI。活动由Seamate联合主办,主办方感谢所有到场、用餐并提出好问题的人,并表示将带来更多构建者与更多语音 AI 相关内容。
匹配字段摘要
2026年7月21日,LiveKit 正式发布 Unity SDK v2.0.0,将其移出 Developer Preview 阶段,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 平台。
匹配字段摘要
2026年6月25日,Nikolay Donets分享了Revolut在受监管银行环境中规模化运行生成式AI的架构与治理实践。Revolut通过统一网关和按AI用例治理的控制层管理生成式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
2026年6月16日,xAI发布Grok Imagine Video 1.5,并宣布该图生视频模型在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。官方还表示,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。目前尚无后续发展事实。
匹配字段摘要
2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、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进行编辑。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。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。
匹配字段摘要
2026年5月15日,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,用户可用Grok 4.3进行文本对话与高级推理,用Grok Text-to-Speech生成语音回复,用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。目前该消息由xAI官方发布,尚无后续发展事实。
匹配字段摘要
Google DeepMind 发布 Gemini 3.5 Live Translate语音翻译模型
English translation is being prepared.
匹配字段摘要
Together AI 推出 Voice Finder语音搜索与推荐工具
English translation is being prepared.
匹配字段摘要