Google DeepMind 发布实时交互世界模型 Genie 4
Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。
推荐理由：官方完整说明了 Genie 4 的实时交互、原生音频和与 Gemini 协作机制，也坦陈当前在长时一致性和物理精度上的局限。
#语音
Google DeepMind：Blog精选AI 评分7373
公众号：腾讯混元精选AI 评分6868 腾讯混元开源同声传译大模型 Hy-SimulMT，实测效果超主流商用 API
10 月 26 日，腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，实测响应时间约 3 秒，低于人类专业译员平均的 4-5 秒。
推荐理由：原文给出实测时延约 3 秒、对比人类同传专家和商用 API 的测评细节，以及 HuggingFace、GitHub 等开源入口，读者可据此评估其在真实同传场景的可用性。
Sierra：Blog精选AI 评分6060 Sierra 发布 𝜏-Entity 基准，检验语音智能体能否准确采集姓名、电话等实体信息
Sierra 发布 𝜏-Entity 基准，测量语音智能体能否正确采集、识别错误并修复姓名、电话号码、地址和邮箱等细节，包含 10 种实体类型共 200 个任务，并与 𝜏-i18n 一样覆盖六种语言。
推荐理由：Sierra 自建基准和论文量化了语音智能体在准确采集姓名、电话等细节上的失败率，并给出可迁移的验证策略效果数据。
Google Developers Blog精选AI 评分6565 Google ADK 教程：用流式工具与响应调度构建永不冷场的语音智能体
Google Developers Blog 发布教程，讲解如何用开源 ADK 与 gemini-3.8-live 构建不出现冷场的语音智能体，核心是非阻塞工具调用。
推荐理由：Google 官方教程给出 ADK 非阻塞语音工具的两种模式和实测数字，可迁移到自己的 Gemini Live 语音智能体开发。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分7272 蚂蚁 inclusionAI 开源 Ming-3.0-tts 语音合成模型
蚂蚁 inclusionAI 在 GitHub 发布 Ming-3.0-tts，包含 0.5b dense 和基于 Ling V3 的 tiny（7.9B 总参数、1.3B 激活）两个语音生成模型，MIT 协议开源，权重可在 Hugging Face 和 ModelScope 下载。
推荐理由：官方仓库给出两版模型的榜单名次、完整任务列表和部署细节，读者可据此评估其在多语言与副语言控制上的实际可用性。
Elon Musk@elonmusk精选AI 评分6767引用Artificial Analysis@ArtificialAnlysSpaceXAI 的 Grok Voice 3.0 是新的领先语音到语音模型，在 Artificial Analysis 语音到语音指数上以 86.9 首次亮相即排名第 1，同时在延迟方面也很有竞争力 Grok Voice 3.0 是 @SpaceXSI 的 Grok Voice 2.0 的继任者，这是一款可通过 SpaceXAI Realtime API 使用的语音到语音模型，价格为每分钟 $0.08。我们通过 SpaceXAI Realtime API 使用 Rex 语音对 Grok Voice 3.0 进行了评估。 关键要点： ➤ 语音到语音指数：Grok Voice 3.0 以 86.9 首次亮相即排名第 1，领先于 GPT-Live-1（Astra，medium）的 83.2、Gemini 3.8 Live Extended Thinking（High）的 82.6 和 GPT-Live-1（Sol，low）的 80.1。它高于 Grok Voice 2.0 的 81.3（+5.6 分）和 Grok Voice 1.0 的 73.7（+13.2 分），后者发布至今还不到六个月。该指数平均了语音推理（Big Bench Audio）、智能体性能（Tau Voice）、Arena 偏好和任务成功率 ➤ 语音智能体 Arena：Grok Voice 3.0 在偏好方面以 Elo 1070 排名第 3，落后于 Gemini 3.1 Flash Live Minimal（1100）和 Gemini 3.8 Live（1088），领先于 GPT-Live-1（Sol，low）的 1057，并以 94.8% 的任务成功率排名第 1，为榜单最高，略高于 Grok Voice 2.0 的 94.6%。Grok Voice 2.0 以 Elo 1011 落后 ➤ Tau Voice：Grok Voice 3.0 在我们实现的 Tau Voice 基准上以 71.6% 排名第 2，落后于 GPT-Live-1（Astra，medium）的 74.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 68.6% 和 GPT-Live-1（Sol，low）的 59.3%——高于 Grok Voice 2.0 的 56.5% ➤ Big Bench Audio：Grok Voice 3.0 在音频推理上得分 98.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 97.7% 和 Grok Voice 2.0 的 97.2% ➤ 速度：在 Big Bench Audio 上，Grok Voice 3.0 的平均首次音频时间为 0.81 秒，明显领先于 GPT-Live-1（Sol，low）的 1.24 秒、GPT-Live-1（Astra，medium）的 1.34 秒和 Gemini 3.8 Live Extended Thinking（High）的 1.35 秒，但慢于 Grok Voice 2.0 的 0.70 秒 ➤ 成本：Grok Voice 3.0 的输入音频成本为每小时 $4.80，与 Grok Voice 2.0 相同。这高于 GPT-Live-1（Sol，low）的 $4.47 和 Gemini 3.8 Live Extended Thinking（High）的 $3.50，低于 GPT-Live-1（Astra，medium）的 $5.83，并且比 GPT-Realtime-2.1 High 的 $10.75 便宜约 2.2 倍 祝贺 @elonmusk 和 @SpaceXSI 团队 🚀 更多详情见下方 ⬇️
推荐理由：作者引用第三方评测数据，读者可以据此对比 Grok Voice 3.0 与同类语音模型在评分、延迟和价格上的差异。
xAI：News精选AI 评分6666 xAI 发布 Grok Voice 3.0 语音模型
xAI 发布 speech-to-speech 模型 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech Index 以 86.9 分排名第一，时延低于一秒。
推荐理由：官方发布给出多项第三方基准分数、时延和 API 定价，读者可以据此评估它在语音智能体场景的性价比。
ElevenLabs@ElevenLabs精选AI 评分7070
推荐理由：由当事方宣布英国上议院首次有议员用 AI 重建嗓音演讲，读者可从中了解语音 AI 在医疗辅助场景的实际落地。
Suno：Blog精选AI 评分6868 Suno 推出 Speech 公测版，将语音与背景音乐合成同一音轨
Suno 推出 Speech 公测版，称为首个能把人声和原创背景音乐作为一条完整音轨共同生成的音频模型。用户在 Suno 内输入一段文字并描述声音和音乐风格，即可生成配乐朗读等口语音频。此前 Speech 已在小范围用户中测试一个月，官方提醒 beta 阶段可能出现口音漂移、停顿过度等瑕疵，后续将根据社区反馈持续改进。
推荐理由：Suno 官方宣布 Speech 进入公测，说明语音与配乐可合成同一音轨，读者可以据此评估新的创作场景。
ElevenLabs：Blog精选AI 评分6262 ElevenLabs 完成 3 亿美元员工股份回购，估值升至 220 亿美元
ElevenLabs 完成 3 亿美元员工 tender offer，估值达 220 亿美元，是 2026 年 2 月 Series D 估值的两倍，由 Wellington 和 T. Rowe Price 领投。企业业务占收入 55%，ElevenAgents 每周处理超 1500 万次对话，ARR 自 2 月以来增长超 3 倍，客户语音智能体解决问题平均比聊天智能体快 31%。
推荐理由：原文给出 ElevenLabs 估值翻倍至 220 亿美元的关键经营数字和 ElevenAgents 增长细节，可据此了解企业级语音智能体市场的实际进展。
Inception Labs：Blog精选AI 评分6060 Inception Labs 发布扩散语音模型 Mercury Voice
Inception Labs 推出面向语音智能体的扩散大语言模型 Mercury Voice，面向企业客户开放。
推荐理由：原文给出具体的延迟、基准和定价数据，读者可以据此评估扩散语音模型在实时语音智能体场景的取舍。
ElevenLabs：Blog精选AI 评分7575 ElevenLabs 发布最富表现力的 Eleven v4 及低延迟 Turbo 版
ElevenLabs 发布语音合成模型 Eleven v4 及低延迟变体 Eleven v4 Turbo。
推荐理由：官方完整披露了新 TTS 模型的情绪控制、延迟数字、多语言和克隆能力，读者可据此评估是否切换现有语音方案。
Meta：Newsroom · AI精选AI 评分6666 Meta 在 Connect 2026 发布 Muse 上眼镜、VR Glasses 及多款 AI 眼镜新品
Meta 在 Connect 2026 宣布将个人 AI 智能体 Muse 带入 AI 眼镜，并新增 Walmart、Sephora、GitHub、Instacart 等更多 connectors，Muse 还将拥有自己的邮箱地址。
推荐理由：原文汇总了 Muse 上眼镜、VR Glasses、新款 AI 眼镜及听力辅助等多项发布细节，可了解 Meta 硬件与个人智能体的落地节奏。
Philipp Schmid@_philschmid精选AI 评分6969引用Philipp Schmid@_philschmidhttps://x.com/i/article/2103140786292269056
推荐理由：原文给出录制片段、API 创建与调用的具体步骤和可复用提示词，方便读者快速试用自己的语音复刻。
- Philipp Schmid@_philschmid精选AI 评分7171
推荐理由：原文给出录制、授权、创建声音和迁移提示词的完整步骤，读者可直接照做复现自定义 TTS 语音。
Tibo@thsottiaux精选AI 评分7272引用OpenAI@OpenAI我们听到了你们的声音，非常清楚。ChatGPT Voice 现在可以： - 使用你的电子邮件、日历和 Slack 等插件。 - 由 GPT-6 Astra、Sol 和 Luna 提供支持。 - 在网页端和移动端的 ChatGPT Work 中使用，这样你只需开口说话，就能在浏览器中创建文档、演示文稿、网站和电子表格，或处理复杂任务。 今天起在最新版应用中面向全球逐步推出。
推荐理由：OpenAI 官方更新清晰列出语音功能的能力范围和开放时间，读者可以据此判断语音入口是否值得纳入日常工作流。
Google DeepMind：Blog精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零设计声音、30 秒样本复刻声音，并提供逐行表演指导、长时音频生成和双说话人场景编排，覆盖 100 多种语言。
推荐理由：官方介绍了两款 TTS 模型的能力细节、评测名次和开放入口，开发者可以据此评估语音生成工作流的选型。
Qwen@Alibaba_Qwen精选AI 评分6767推荐理由：官方一次性给出五个音频模型的能力细节和三档降价幅度，读者可对照自身场景评估替换成本。
Meta AI：Research Blog精选AI 评分7070 Meta 发布 Muse Realtime Avatar，将实时语音转化为可交互的动态化身
Meta 发布 Muse Realtime Avatar，将 Muse Realtime Voice 的语音流实时转化为带表情、手势和全身动作的交互化身，可基于参考图像驱动人像、插画、动物或日常物品。
推荐理由：原文给出了蒸馏方案、延迟数字和与商业系统的对比结果，读者可以据此评估其实时化身生成的技术路线和落地水平。
Gemini API：更新日志精选AI 评分6565 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 并正式开放 Gemini API Voices 端点
Google 宣布 Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）和 Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）正式可用，并发布 Gemini API Voices 端点（/v1beta/voices）。
推荐理由：官方更新日志列出了两个 TTS 模型定位差异和 Voices 端点能力，读者可据此选择替换现有语音方案。