Edge0 发布开源权重语音克隆 TTS 模型 Audio8-TTS-Realistic，601M 参数，支持 23 种语言，权重与代码以 Apache 2.0 发布。模型只需 1 段参考音频及对应文本即可零样本克隆音色，也可在无参考音色时直接生成语音。自报结果显示其在 CV3 九语言上平均错误率 4.86%，低于 Qwen3-TTS-1.7B 的 7.73%，但在 MiniMax 基准上落后于 4B 级模型，泰语 WER 达 48.57%。
匹配字段标题、摘要、正文
Sitesh Adhikari 用 Muse Spark 1.3 为尼泊尔一家真实餐厅搭建了生产级语音 AI，支持尼泊尔语、英语和 Hinglish，可接单、更新店主看板并通过 WhatsApp 发送收据。Muse 转发该帖时只写了一句“in crust we trust”。
匹配字段标题、摘要
Claude 移动应用本周更新：iPad 和 iPhone Duo 上生成内容改为在聊天旁打开，iOS 与 Android 支持多账号同时登录并免登出切换。Chromebook、Googlebook 和折叠屏上新增可调侧边栏、触控板与右键支持及键盘快捷键；iOS 与 Android 语音模式响应更快、嘈杂环境识别更好，并支持 iPhone 上的 Apple CarPlay。
匹配字段标题、摘要、正文
10 人创业公司 Phonic 发布语音模型 Phonic-1，称其能在通话者尚未说完时执行查询和预订。该模型在 Artificial Analysis 语音到语音榜单以 87.1 分居首，比 xAI 的 Grok Voice 3.0 高 0.2 分，客服任务完成率 79.9%，首音频延迟 0.61 秒。Phonic 称其在 Cekura 通话测试集得 90.2 分，但 Cekura 公开榜单列出的 Phonic v1 为 68.3%；公司已完成由 First Round 领投的 2750 万美元 A 轮融资，累计融资 3150 万美元。
匹配字段标题、摘要、正文
Granola 宣布新增语音输入功能，不限字数且免费，可在任意应用中使用。Alex Heath 表示自己常用 Granola 处理会议，现在不必再装单独的听写应用，已在 Mac 上用它语音输入一整天，体验顺畅。
匹配字段标题、摘要、正文
Neuralink 首款产品名为 Telepathy，可通过思考与计算机或他人进行高速通信。Elon Musk 表示，其输出带宽将在几年内远超最快的人类语音或打字速度。该推文引用了 Neuralink 工程师为一位言语恢复研究参与者进行 72 小时黑客松、快速原型多项意念沟通功能的帖子。
匹配字段标题、摘要、正文
Artificial Analysis 评测显示，Phonic 的 Phonic 1（High）以 87.1 分在 Speech to Speech Index 的 22 个模型中排名第一，以微弱优势领先 Grok Voice 3.0 的 86.9 分。该模型在 Tau Voice 智能体任务上以 79.9% 排名第一，领先第二名 5.4 个百分点；Big Bench Audio 以 98.9% 排第三，Time to First Audio 为 0.61 秒。Phonic 1 通过 Phonic API 提供，输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。
匹配字段标题、正文
arXiv 预印本《When AI Tutors Speak》研究在线 MBA 金融课发现，语音导师带来更多对话互动，但每周掌握度在 ±0.3 个标准差的设定范围内与文本无显著差异，语音交付成本约为文本的 2.8 倍。研究由 Shihao Yang、Marshall Van Alstyne 和 Chrysanthos Dellarocas 完成，86 名学生随机分组，最终 29 名受辅导学生参与模态分析，结果受样本流失和评估方式限制。
匹配字段标题、摘要、正文
Rivian 在 2026 年第三季度财报中披露，已通过 Rivian and VW Group Technology 合资公司向大众集团授权其 AI Voice Assistant 技术，作为双方电气架构与软件合作的一部分。Rivian 当季软件与服务收入 6.05 亿美元、同比增长 45%，其中 3.54 亿美元（59%）来自该合资公司。Rivian Assistant 已于 2026 年 10 月登陆 R2，并通过 OTA 更新加入 Gmail 集成。
匹配字段标题、正文
Rime 发布面向 AI 语音智能体的语音到语音模型 Prism，它在开口前先把每条回复写成文本。企业可以编辑转写内容并拦截智能体不该说的话，Prism 同时保持通话不中断，并能在对话中查询账户或冻结卡片。Rime 称没有其他语音到语音模型采用这种方式，因此 Prism 更适合银行等受监管企业。
匹配字段标题、摘要、正文
Perplexity 宣布，Mac 和网页版的语音模式现已使用 OpenAI 的 gpt-live-1 模型。用户还可在 Perplexity Computer 上运行多个会话，并管理任务和 Projects。发帖者表示语音是自己最喜欢的交互界面。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的 30B MoE 模型，约 4B 激活参数。该模型支持 40 种语言转写、说话人归属、翻译、上下文提示和音频理解，并在 VoiceArena 的 14 系统说话人分离加 ASR 对比中排名第一。
匹配字段标题
Perplexity CEO Aravind Srinivas 宣布，新语音模式向所有 Pro 和 Max 用户开放，覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话，并行推进多项工作流。
匹配字段标题、摘要、正文
Perplexity 的 Houssein Djirdeh 宣布 Perplexity 网页版上线新的语音模式，支持自然对话、全程语音操作应用、多会话并行，基于 GPT-Live-1。Perplexity CEO Aravind Srinivas 转发并评论称，语音是使用电脑的自然形态。
匹配字段标题、摘要、正文
面壁智能大使 @emwstudio 开源了一个 ESP32-S3 座舱式姿态仪项目，用 MiniCPM5-2B 生成塔台回复、VoxCPM2 合成语音。设备通过 Wi-Fi 把按键说话音频送到 Mac 端流水线，由 Qwen3-ASR 本地识别，回复音频再流回设备扬声器。塔台会结合高度、速度、航向、俯仰和滚转等模拟飞行数据，指出请求与仪表读数的不一致。
匹配字段标题、摘要、正文
Artificial Analysis 评测显示，Fish Audio 发布的 Drama 3 在 Text to Speech 的 Provider Voice 场景 Elo 为 1,278（1,512 次竞技场出场），总排名第 6、开源权重模型第 1；Controlled Voice 场景 Elo 为 1,085（1,958 次出场），总排名第 12、开源权重模型第 1。发音鲁棒性上 Drama 3 以 94.6%（2,157 个评分片段）排名第 1，高于 Ming-3.0-tts 和 Drama 3 Preview 的 93.2%。生成速度为每秒 66.6 字符，定价 $15/1M 字符，以 Fish Audio Community License 开放权重。
匹配字段标题、正文
NVIDIA 于 10 月 28 日发布 Nemotron 3.5 Transcribe，这是一款开源权重的语音模型，可转写 40 种语言的音频、翻译语音并识别说话人，开发者可用自然语言指令控制转写格式而无需重新训练。该模型由 Transformer 语音编码器、说话人分离模型和 Nemotron 3.5 Lightning 语言模型组成，约 43 亿激活参数，发布检查点标注为 30B-A4B。NVIDIA 称其在英语 Open ASR Leaderboard 九个公开测试集上平均词错误率为 4.71%，在多语言榜单七个语言上为 4.62%，并称其为两个榜单上最好的开源权重模型；模型以 BF16、FP8、NVFP4 格式及 GGUF 文件发布，采用 OpenMDW-1.1 许可。
匹配字段标题、摘要、正文
Gnani AI 发布自动语音识别模型 Prisma v3.0，支持印地语、孟加拉语等 9 种印度语言与英语，可转写句内中英混说的多语言对话。该模型在 Vistaar benchmark 上宏平均 WER 为 16.93，低于 ElevenLabs Scribe v2 的 19.98、Microsoft Azure Speech-to-Text 的 20.51 和 Deepgram Nova 3 的 26.57。它提供 Verbatim、Transcribe、Code-mix、Transliterate 四种转写模式，支持每次请求最多 200 个自定义词汇，可将这些词的召回率从 70.9% 提升至 90.3%。
匹配字段标题、摘要、正文
NVIDIA 于 2026 年 10 月 28 日发布语音转写与翻译模型 Nemotron 3.5 Transcribe，支持含日语在内的 40 种语言，最长可转写 1 小时录音。该模型为开放权重 30B MoE 架构，推理时约激活 4B 参数，可通过文本指令指定是否保留口头语、数字写法，并支持最多 8 人的说话人区分和日英双向翻译。权重以 NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 在 Hugging Face 发布，采用 OpenMDW-1.1 许可，提供 BF16、FP8、NVFP4 版本及 NeMo Speech 微调工具。
匹配字段标题、摘要、正文
NVIDIA 发布开源权重语音转写模型 Nemotron 3.5 Transcribe，总参数 30B、激活参数 4B，在 Artificial Analysis 的非流式语音转写榜单上取得 2.8% 的 AA-WER，与 Mistral 的 Voxtral Small 并列开源模型第一。在语音智能体对话数据集 AA-AgentTalk 上，它以 1.8% 领先 Voxtral Small 的 2.3%。其激活参数为 4B，而 Voxtral Small 为 24B，同等规模的其他开源模型 WER 约为 4%。
匹配字段标题、摘要、正文