Cartesia 发布 Managed Agents 企业级语音智能体平台，登顶 Speech Agent Arena
Cartesia 发布端到端语音智能体平台 Managed Agents，在 Artificial Analysis Speech Agent Arena 以 1115 偏好 Elo 排名 30 个智能体中的第一，并在 ServiceNow 的 EVA-Bench 上取得 87% 准确率和 91% 体验分的最高成绩。
#语音
Cartesia 产品与研究AI 评分5555
Databricks：BlogAI 评分4040 Databricks 谈语音智能体：用上下文让语音客服产生真实客户价值
Databricks 发文阐述语音智能体落地关键在于上下文而非语音本身，其原型用 LiveKit 承载通话、Deepgram 做语音转文字与默认音色、ElevenLabs 提供表现力音色，大脑部分由 Databricks 提供。
Baseten 工程博客AI 评分5151 Baseten 优化 Qwen3-ASR 1.7B 批量转写，吞吐达原版 vLLM 的 7 倍
Baseten 优化了 Qwen3-ASR 1.7B 的批量转写部署，在 64 并发下吞吐比原生 vLLM 高 7 倍以上，成本降至每音频小时约 $0.0013，比闭源提供商低约 277 倍。
Google DeepMind：Blog精选AI 评分7373 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。
Ollama：BlogAI 评分6565 Ollama 上线语音模型 Phonon，支持本地文本转语音
Ollama 宣布支持语音模型，首个上线的是 Gradium 的文本转语音模型 Phonon，目前可用于 macOS，Windows 和 Linux 支持即将推出。
Amazon ScienceAI 评分4444 Audible 团队用可控 TTS 与 BookLLM 改进有声书语音合成
Audible 技术团队用可控 TTS 合成有声书，通过自然语言语音描述控制对白表达，角色对白区分度在 MUSHRA 测试中提升 3.7 分。其 BookLLM 组件自动识别书中角色并标注对白，在 25 本英西语书籍上角色识别准确率分别为 97% 和 94%。在英西语测试中，十种声音里有八种听感获得统计显著改善。
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。
Sierra：BlogAI 评分5454 Sierra 推出 𝜏-i18n 语音智能体多语言评测基准并开源
Sierra 发布 𝜏-i18n，将 𝜏-Voice 扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五门语言，使用统一的航空、零售、电信任务跨语言对比。
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AI 评分4747 蚂蚁 inclusionAI 开源 Ming-3.0-asr-tiny 语音识别模型
蚂蚁 inclusionAI 在 GitHub 发布 Ming-3.0-asr-tiny，将 Ling-tiny-v3 语言模型与音频编码器结合，支持中英文转写、方言识别和上下文 ASR。
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。
Tibo@thsottiauxAI 评分4848引用OpenAI@OpenAINew voices. Better accents. And less "checking..." GPT-Live-1.1 brings these updates to Voice in ChatGPT, Codex, and dots, with new voices in French, German, Hindi, Mexican Spanish, Korean, and Japanese. Rolling out today to all users. Coming soon to the API.
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5858 蚂蚁 inclusionAI 开源 Ming-3.0-audio-flash 音频理解模型
蚂蚁 inclusionAI 在 GitHub 开源音频理解模型 Ming-3.0-audio-flash，为 126B 参数 MoE 架构、激活参数 6.5B，另有 9.3B 参数的 Ming-3.0-audio-tiny 版本。
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。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分5151 蚂蚁 inclusionAI 开源 Ming-3.0-asr-tiny 语音识别模型
蚂蚁 inclusionAI 在 Hugging Face 发布 Ming-3.0-asr-tiny，基于 Ling-tiny-v3 语言骨干加音频编码器，支持中英文单轮语音转写、15 种区域方言测试集（含粤语、闽南、上海话）以及热词和对话上下文的 Context ASR。
Baseten 工程博客AI 评分5858 Baseten 解析 Gradium TTS 如何实现快于人类响应的实时语音合成
Baseten 工程博客解析 Gradium TTS 如何实现实时语音合成，Coval 基准测得其 TTFA 中位数为 155 ms，四分位距仅 2 ms。
Apple：NewsroomAI 评分5555 Apple 发布 HomePod mini 2，售价 149 美元并将在未来更新中带来 Siri AI
Apple 于 10 月 13 日发布 HomePod mini 2，售价 149 美元，提供粉、绿、蓝、白、午夜五种配色，美国及超过 23 个国家和地区即日起可预购，10 月 30 日门店开售。
Sarvam AIAI 评分5555 Sarvam AI 发布 TTS 模型 Bulbul V4 Flash
Sarvam AI 发布面向印度语言的新一代 TTS 模型 Bulbul V4 Flash，生产环境 time-to-first-audio 低于 250 ms，价格为每万字符 ₹20，比 Bulbul V3 的 ₹30 便宜三分之一。
Descript 官方产品更新AI 评分4242 Descript 10 月更新：全盘搜索、异步录制请求与 ElevenLabs v4 语音克隆
Descript 为整个云盘新增搜索栏和完整结果页，并支持让 Underlord 查找文件、文件夹、项目和布局包。Enterprise 云盘可发送异步录制请求，嘉宾按自己的时间录制并回传素材。
LiveKit 产品与工程博客AI 评分5353 LiveKit 发布 Agent Simulations 用于语音 Agent 测试
LiveKit 发布 Agent Simulations，为 LiveKit Cloud 项目提供可重复的语音 Agent 测试，现已在所有 LiveKit Cloud 项目正式开放。
Sierra：BlogAI 评分5050 Sierra 发布 fleming-1 识别电话来电是否为 AI 智能体
Sierra 发布 fleming-1 模型，实时分析通话语音并打分，识别来电者是否为 AI 智能体，可对疑似 AI 来电加标记，默认调校偏保守以避免误伤真人。模型适用于所有基于 Sierra 构建的语音智能体，开启即可使用。此前一天 Sierra 还宣布了开放标准 Personal Agent Protocol，让智能体以授权方式表明身份，fleming-1 用于处理未遵守协议的来电。
OpenRouter：AnnouncementsAI 评分5959 ElevenLabs 语音模型上线 OpenRouter：9 个文本转语音与 2 个语音转文本模型
ElevenLabs 的 9 个 Text to Speech 模型和 2 个 Speech to Text 模型现已接入 OpenRouter，用户用 OpenRouter API key 调用 POST /api/v1/audio/speech 和 POST /api/v1/audio/transcriptions 即可，无需单独的 ElevenLabs 计划。
Sierra：BlogAI 评分5555 Sierra Summit 2026：发布新模型 Curie 与 Fleming、Tandem Voice、Persona Studio 等产品更新
Sierra 在旧金山举办 Sierra Summit 2026，宣布 Agent OS 新增模型 Curie（负责对话核心编排回路）和 Fleming（检测电话另一端是否为其他智能体），并推出 Tandem Voice、Persona Studio、新版 Ghostwriter 和合作伙伴生态。
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。
Microsoft AI：官方博客AI 评分5959 Microsoft AI 发布 MAI-Transcribe-2-Streaming 及 MAI-Voice-2.1 系列语音模型
Microsoft AI 发布流式转录模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 准确率榜排名第一，支持 60 种语言实时转录，收到音频约 100ms 即产出初步结果，内部评测显示字幕出现速度比最接近的竞品快 2 倍，介绍价 $0.54 每小时音频。
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分4949 NVIDIA Nemotron 3.5 ASR 如何微调适配沙特阿拉伯语方言
NVIDIA 发布技术教程，介绍如何用 NeMo 框架微调 Nemotron 3.5 ASR，使其适配沙特 Najdi 和 Hijazi 方言。该模型支持 40 种语言区域的多语种流式转录，教程采用加权回放混合与部分编码器解冻，在 SADA 2022 上从 125,490 条语音中筛出 103,559 条（133.7 小时）用于训练。
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。
- 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。
Baseten 工程博客AI 评分5656 NVIDIA Nemotron 3 Diarization 上线 Baseten，实时说话人分离低至每音频小时一美分
Baseten 发布对 NVIDIA Nemotron 3 Diarization 的托管支持，这是一个约 100M 参数的流式说话人分离模型，单一 checkpoint 可在 0.32 到 30.4 秒间配置四种算法延迟。
OpenAI Developers：BlogAI 评分4747 用 GPT-Live-1 和 Codex 把 LED 显示屏变成语音助手 Jack
OpenAI 开发者用 GPT-Live-1 全双工语音模型和 Codex，把一块 128 × 64 HUB75 LED 面板改造成语音助手 Jack，整套系统跑在 Raspberry Pi 上。GPT-Live-1 负责持续对话与打断，需要外部信息时委派给树莓派，由 GPT-5.6 Luna 以低推理强度发起 Responses API 请求，查询天气、日历和 MTA 地铁到站信息。
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。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分5656 蚂蚁 inclusionAI 发布开源语音合成模型 Ming-3.0-tts-0.5B
蚂蚁 inclusionAI 在 Hugging Face 发布基于 Qwen2.5-0.5B 的密集语音合成模型 Ming-3.0-tts-0.5B，采用 MIT 协议开源。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分5050 蚂蚁 inclusionAI 发布 Ming-3.0-tts-tiny：7.9B-A1.3B 多语言 MoE 语音合成模型
蚂蚁 inclusionAI 在 HuggingFace 发布 Ming-3.0-tts-tiny，这是基于 Ling V3 的 MoE 语音合成模型，总参数 7.9B、每 token 激活约 1.3B。
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。
xAI：News精选AI 评分6464 xAI 发布 Grok Voice Transcribe 2.0 语音转写模型
xAI 发布语音转写模型 Grok Voice Transcribe 2.0，称在真实场景评测中准确率是 1.0 的两倍，价格不变，在 Artificial Analysis 榜单 32 个流式模型中准确率排名第一。
推荐理由：官方给出内部评测与公开榜单数据，并用同价翻倍准确率和定价细节说明升级幅度，适合评估语音转写方案时参考。
Qwen：Blog Retrieval精选AI 评分6969 Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，LAAL 降至 2.3 秒
Qwen 发布 Qwen3.8-LiveTranslate，采用 Interleave 架构与 Hybrid-MoE Thinker–Talker 设计重构实时同声传译，平均滞后（LAAL）从上一代的 2.8 秒降至 2.3 秒。
推荐理由：官方给出了架构设计、LAAL 从 2.8 秒到 2.3 秒的数字和多语言评测结果，读者可以据此评估其实时翻译能力的实际变化。