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。
#语音
ElevenLabs@ElevenLabs精选AI 评分7070
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。
MarkTechPostAI 评分4848 2026 年 12 款顶级 AI 实时翻译工具盘点:延迟、语言与定价
MarkTechPost 按官方产品、定价与文档页面核验了 12 款 AI 实时翻译工具。Palabra.ai 支持双向语音翻译与声音克隆,宣称延迟低于 1 秒,API 语音翻译 $0.04/分钟;Gemini 3.5 Live Translate 覆盖 70+ 语言,输出比说话人慢几秒。
MarkTechPostAI 评分4141 TII 发布 Falcon-ASR:1.6B 阿拉伯语语音模型,平均 WER 20.92%
阿布扎比 TII 发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR,在 6 个阿拉伯语测试集上平均 WER 为 20.92%,比 Audar-ASR-V1-Turbo 的 23.17% 低 2.25 个百分点。
TechCrunch:AIAI 评分4040 PolyAI 与 Otter 高管:语音 AI 尚未迎来自己的“ChatGPT 时刻”
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为,尽管全双工模型已经问世,语音 AI 仍未迎来自己的“ChatGPT 时刻”,下一步挑战是让推理足够快、对话足够自然。Otter 的 CMO Alex Gay 则强调说话人识别、意图捕捉与转写准确率是自动化的关键,转写出错会让用户对平台失去信任。两家公司均表示,工具应主动告知用户正在被录音或正在与 AI 对话。
公众号:卡尔的AI沃茨AI 评分7070 八款AI语音输入法横评,作者找到Vibe Coding的最佳搭配
作者实测微信输入法、千问输入法、开源项目OpenLess、秘塔输入法四款,加上上期已测的Typeless、闪电说、网易叭哥说和豆包输入法,共八款AI语音输入法,统一用同一段含中英文混合、编号列表和专有名词的文字测试。
ElevenLabs@ElevenLabsAI 评分4747我们还将推出合成语音检测,在通话开始几秒内分析来电者的语音,判断是真人还是 AI 生成,并据此进行路由。 这意味着真人能获得为真人打造的体验,智能体可以进行直接、有边界的交互,而恶意行为者可以被拦截。
Artificial Analysis@ArtificialAnlysAI 评分4343
Simon Willison 博客AI 评分6060 Simon Willison 用语音模式让 Codex 为博客开发 Newsletters 功能
Simon Willison 用 ChatGPT 桌面应用 Codex 标签页的语音模式,在做饭的约半小时内基本靠口头指令为博客开发出 Newsletters 索引功能,使用模型为 GPT-6 Astra High。
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。
The Verge:AIAI 评分5858 Google 推出完全离线的 AI 会议笔记应用 Google AI Edge Foresight
Google 发布实验性笔记应用 Google AI Edge Foresight,可在 macOS 上完全离线转录会议和音频文件,免费使用,基于端侧 EmbeddingGemma 2 模型。应用可总结会议、把会议中记的简短要点变成完整笔记,内置助手可结合本地文件回答问题,并称文件、会议音频和笔记不会离开用户的电脑。目前仅针对 Apple Silicon 的 Mac 优化。
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。
Hugging Face 社区博客AI 评分5353 TII 发布 Falcon-ASR:1.6B 参数阿拉伯语语音识别模型
Technology Innovation Institute(TII)发布 Falcon-ASR,一个 1.6B 参数的阿拉伯语语音识别模型,重点支持阿联酋方言,也支持英语、法语、西班牙语和葡萄牙语。
Rohan Paul@rohanpaul_aiAI 评分4747
引用Voice Arena@voicearena_aiPulse by @smallest_AI currently ranks #1 in the Diarization + ASR track by DER, as the newest entry on the Voice Arena Diarization Bench. The Diarization + ASR track ranks Speaker-Attributed ASR systems that return speaker labels together with the transcript. Seven systems are in it today. Pulse scores 24.4% DER at a strict 0 ms collar. The next system, ElevenLabs Scribe v2, scores 40.7%. That is 1.7x lower error than the next best in the track. Most of the gap is missed speech. For every other system in the track, missed speech is the largest part of the error, above 30% for each of them. Pulse misses 4.4% of reference speech, the lowest in the track. On the full board of 13 systems, dedicated diarization models and Speaker-Attributed ASR systems together, Pulse places 5th. It is the highest-ranked Speaker-Attributed ASR system on the board and sits ahead of two dedicated diarization models. The result holds across settings: In-person recordings : 24.7% DER In online calls : 22.4% DER Congratulations to @smallest_AI 👏 View full results, per track and per condition: http://voicearena.com/diarization-bench
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。
ElevenLabs@ElevenLabsAI 评分5555引用Artificial Analysis@ArtificialAnlysElevenLabs' Eleven v4 Turbo takes the #1 spot on the Artificial Analysis Provider Voice TTS Arena Leaderboard, ahead of Eleven v4 while costing half the price Eleven v4 Turbo is the faster, lower-cost sibling of Eleven v4 from @ElevenLabs, designed to deliver comparable speech quality with lower latency and cost. Key takeaways: ➤ Provider Voice: Eleven v4 Turbo has an Elo of 1,334 (+19/-19) across 1,645 appearances, placing it ahead of Eleven v4 at 1,321, Alibaba's Qwen-Audio-3.1-TTS-Plus at 1,292 and Cartesia's Sonic 3.6 at 1,278. It ranks #1 in Customer Service and Entertainment and #2 in Assistants and Knowledge Sharing. ➤ Controlled Voice: Eleven v4 Turbo ranks #2 with an Elo of 1,173 (+15/-15) across 1,745 appearances, behind Qwen-Audio-3.1-TTS-Plus at 1,181 and ahead of Eleven v4 at 1,160. It ranks #1 in Arabic, German, Hindi and English (UK). ➤ Pronunciation Robustness: Eleven v4 Turbo scores 90.1%, ranking #2 behind Eleven v4 at 91.7% and ahead of Gemini 3.8 Flash TTS at 89.5%. ➤ Pricing: Eleven v4 Turbo is priced at $40/1M characters, half the price of Eleven v4 at $80/1M characters, compared to Sonic 3.6 at $49/1M characters and Gemini 3.8 Flash TTS at $16.49/1M characters. ➤ Speed: Eleven v4 Turbo processes 96 characters per second of generation time, compared to 84 characters per second for Eleven v4 and 59 for Eleven v3. See more details and listen to samples below 🧵
Artificial Analysis@ArtificialAnlysAI 评分5454Artificial Analysis 语音 TTS Arena 榜单中,ElevenLabs 的 Eleven v4 Turbo 以 Elo 1334 位列 Provider Voice 第一。

IT之家·人工智能AI 评分4242 tvOS 27.2 代码显示 Apple TV 4K(第四代)将支持 Siri AI 与 Apple Intelligence
tvOS 27.2 Beta 3 代码显示,Apple TV 4K(第四代)将支持 Siri AI 与 Apple Intelligence,系统设置新增"改进 Siri 与 Apple Intelligence"开关,可授权苹果收集 Siri、听写及翻译的文本和音频数据用于改进基础模型。
IT之家·人工智能AI 评分5555 阿里千问 AI 耳夹式耳机上架预约:Bose 调音,支持 89 种语言翻译
阿里千问 AI 耳夹式耳机上架电商平台并开启预约,价格暂未公布。耳机由 Bose 调音,提供深空蓝、星光色、极光紫三色,续航 9 小时、配合充电仓 40 小时,支持 LHDC 5.0 与 Hi-Res Wireless 金标认证;AI 方面支持语音操控千问全场景功能、录音实时转写、92 语种转写纪要和 89 种语言翻译。
IT之家·人工智能AI 评分6161 Suno 推出 Speech 语音功能,语音与音乐可单轨共同生成
当地时间 10 月 1 日,AI 音乐制作平台 Suno 宣布推出 Speech 功能并开放公测(Beta),官方称这是业界首个将语音与音乐作为单一连贯音轨共同生成的端到端闭源音频模型。该功能内置于 Suno 中,输入一段文字并描述音色与音乐风格即可生成带 BGM 的语音音频;官方承认当前版本偶发口音漂移和语调过于戏剧化的问题。
MarkTechPostAI 评分6767 Microsoft AI 发布 MAI-Transcribe-2-Streaming 流式语音转文本模型,登顶 Artificial Analysis 实时榜单
Microsoft AI 于 2026 年 10 月 1 日发布其首个流式语音转文本模型 MAI-Transcribe-2-Streaming,并同时推出 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 两个语音生成模型。
The Decoder:AI NewsAI 评分5656 AI 音乐生成器 Suno 推出 Speech 功能,可生成带背景音乐的语音内容
AI 音乐生成器 Suno 推出 Speech 功能,可同时生成语音和匹配的背景音乐,合成单一音轨。用户输入文本并描述想要的声线和音乐风格即可生成,官方称适用于诗歌、冥想和睡前故事,产品负责人 Jack Brody 表示已小规模测试一个月,beta 仍存在口音错误等 bug。Suno 未说明训练数据来源,此前遭主要唱片公司起诉,慕尼黑一家法院近期也驳回其以合理使用为由使用版权数据的主张。
ElevenLabs@ElevenLabsAI 评分5252ElevenLabs 宣布其最具表现力的语音模型 Eleven v4 已上线 ElevenReader。用户可以用自选音色朗读任意文章、电子书或 PDF,支持 90+ 种语言。

ElevenLabs@ElevenLabsAI 评分5252ElevenLabs 宣布 ElevenReader 现已在 iOS、Android 和网页端可用,定位是把想读的内容变成可听的内容,官网为 https://elevenreader.io。
ElevenLabs@ElevenLabsAI 评分4242
The Verge:AIAI 评分6161 Suno 推出 Speech 功能,可在公测中同时生成语音与背景音乐
Suno 在 web 和移动端公测推出 Speech 功能,可根据脚本或提示词生成语音,并能同时生成配套背景音乐,单次最长约八分钟。功能提供 Simple 和 Advanced 两种模式,Advanced 可自定义脚本并调整音色性别、风格和变化幅度,官方称语音与音乐将作为一条完整音轨生成,目前仍为早期测试并将按用户反馈改进。
The Decoder:AI NewsAI 评分6262 Microsoft AI 发布 MAI-Transcribe-2-Streaming 实时转写模型与 MAI-Voice-2.1 语音模型
Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming,支持 60 种语言,首段结果仅约 100 毫秒,微软称其在 Artificial Analysis 准确率排名第一,限期内每小时音频 0.54 美元。
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。
IT之家·人工智能AI 评分6464 微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming,词错误率 2.50%、延迟 0.13 秒居 Artificial Analysis 榜首
微软于 10 月 1 日发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming,支持 60 种语言和自动语言检测,可在讲话进行时持续输出文字。
Rohan Paul@rohanpaul_aiAI 评分5555
引用Soohyun Bae@RealSoohyunBaeYour AI voice sounds human. So why can't it say your product's name? A great AI voice reads "Porsche Taycan" as TAY-can. Porsche says TIE-kahn. It guessed from the spelling, and nobody caught it, because nobody listens to line 1,200. Today we're launching Onepin: the production step after text-to-speech. It checks every line of voiceover before it ships using the voices you already work with. Onepin can: ➤ Check people's and product names against a 4-million-word pronunciation dictionary ➤ Spell out prices and dates before the voice speaks ➤ Score every line of audio for naturalness, clarity and word accuracy ➤ Fix the one wrong word in the same voice, without re-rendering the take Works with your voice subscription on @ElevenLabs, @OpenAI, @Google and 30+ more. No phonetic spellings to type. No re-rolls. No switching providers. Free to start, no credit card required. Hear the before and after in the thread ⬇️