跳到正文
#语音
10月26日周一
  1. 公众号：腾讯混元68

    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。

10月25日周日
  3. TechCrunch：AI56

    Block 发布本地运行的全双工语音模型 Dessa

    Jack Dorsey 旗下 Block 的研究实验室发布语音模型 Dessa，可在单块 NVIDIA GPU 上本地运行，支持全双工对话，能同时说和听。模型完全基于人类语音训练，带有笑声、停顿、哭泣等情感表达，官方称其知识来自对话数据而非搭配大语言模型。该模型可在 MacBook M4 Max 等消费级电脑上运行，目前尚未公开，Block 正招募安全研究员测试。

10月24日周六
  1. The Decoder：AI News40

    Block 推出纯语音训练 AI 模型 Dessa，可实时识别情绪与讽刺

    Block 发布 AI 语音模型 Dessa，称其为首个完全基于人类语音、不含任何文本数据从零训练的模型，直接以音频处理语音而非先转文字，可实时捕捉情绪、讽刺、笑声和停顿。Dessa 支持全双工交流，可在 MacBook Pro M4 Max 本地运行，训练使用单台 NVIDIA GB200 NVL72。该模型尚未公开，团队正招募 AI 安全研究人员测试潜在风险。

  3. The Verge：AI50

    Jack Dorsey 旗下 Block 发布纯语音对话模型 Dessa

    Jack Dorsey 旗下 Block 发布名为 Dessa 的语音 AI 模型，称其完全从零只用人类对话训练，是真正的语音到语音模型。示例对话显示交互自然但偶有尴尬和错认，团队称其可在 MacBook Pro M4 Max 或更高配置上本地运行，并将向一小群 AI 安全研究者开放早期访问。

10月23日周五
  1. Amazon Science44

    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。

  2. 公众号：面壁智能41

    面壁智能在 CNCC 2026 举办第三届端侧大模型论坛，发布 MiniCPM5 与 VoxCPM2 等成果

    面壁智能在 CNCC 2026 期间举办第三届端侧大模型论坛，以"定义端侧通用人工智能"为主题，围绕文本、语音、多模态交互、AI 自进化与智能体五大方向展开。MiniCPM 系列累计下载量突破 6000 万次，17 次登顶 Hugging Face 榜单首位，MiniCPM5-2B 在 AA-Index 4B 以下排名第一。

  5. IT之家·人工智能46

    极米记得 AI 记忆手环 L1 上架：手环吊坠双形态，全天候 AI 录音

    极米记得 AI 记忆手环 L1 于 10 月 22 日上架，提供黑色、米色配色，售价暂未公布。该产品支持腕上手环与胸前吊坠两种形态自由切换，可全天候 AI 录音并自动记录整理记忆，还支持基于个人记忆的 AI 对话、自动整理纪要与待办提醒，原始音频用完即删、记忆加密存于手机，综合续航 2-5 天。同日极米记得 AI 记忆眼镜 G1 也已上架，功能与手环相近。

10月22日周四
  1. Sierra：Blog60

    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。

  2. TechCrunch：AI48

    Nirva 融资 3300 万美元，做只监听佩戴者本人的 AI 吊坠

    Nirva 完成 2500 万美元 pre-Series A 轮融资，加上今年早些时候的 800 万美元，总融资达 3300 万美元。其首款设备是重约 8 克、续航最长 3 天的吊坠，也可作手链佩戴，通过用户录入的语音样本建模并过滤周围他人声音，只记录佩戴者本人，处理后默认不保留音频和转录。该设备定价 249 美元，11 月开始接受订单，目标年底前发货给早期用户。

10月21日周三
  5. Arthur Mensch59

    Mistral 发布 Voxtral 3 Transcribe 和 Speech 模型，为其新的语音智能体 API 提供支持。Mistral CEO Arthur Mensch 补充称，Voxtral 可实时完成说话人分离（diarization）和轮次结束检测，既可跑在用户自有基础设施上，也可使用 Mistral 的 API。

    引用Mistral AI@MistralAI

    Introducing Voxtral 3: state-of-the-art Transcribe and Speech models powering Mistral’s new voice agents API. 🧵

  7. Rohan Paul48

    HeyGen 的 Professional Voice Clone 用 30 分钟到 2 小时的录音音频训练，保留呼吸、停顿、笑声、口音和元音发音，官方称生成的声音无人能分辨真假。推文强调这一数据量区间是关键：短参考片段无法体现长句前的换气节奏或语速加快时的口音特征，而这些细微的不规则正是听者判断声音是否属于真人的依据。

    引用HeyGen@HeyGen

    Professional Voice Clone on HeyGen sounds exactly like you. Upload 30 min to 2 hrs of audio and get a voice no one can tell apart from your own. Every breath, pause, laugh, and accent, preserved. Comment "PVC" for a free month. First 100, web subscriptions only, ends 11/19.

10月20日周二
  3. Ant Ling56

    蚂蚁百灵感谢 vLLM 项目为 Ming-3.0 提供 Day-0 的 vLLM-Omni 支持，让模型更易部署。据引用内容，蚂蚁百灵开源了 5 款语音模型，覆盖 TTS、音频理解和 ASR，参数规模从 0.5B 到 126B 总参数（激活 6.5B），可通过 vLLM-Omni 直接部署。

    引用vLLM@vllm_project

    Day-0 support for Ming-3.0 in vLLM-Omni @AntLingAGI just open-sourced 5 speech models spanning TTS, audio understanding, and ASR — ranging from 0.5B to 126B total parameters (6.5B active). Serve them today with vLLM-Omni. Congrats to the @AntLingAGI team!