OpenAI Developers@OpenAIDevsAI 评分7070GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI Developers@OpenAIDevsAI 评分5353OpenAI Developers 介绍 GPT-Live-1，可在说话的同时监听，通话者能随时打断、补充细节或中途改变方向。Yelp 正在用它让餐厅预订电话更自然，官方发布了演示视频。
OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音服务，一个 API key 可调用多家供应商的 TTS 模型。
小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，针对多人同时说话时识别率大幅下降的鸡尾酒会难题。模型采用端到端 LLM 架构，以目标说话人参考音频作为声纹提示，在多个主流多说话人测试集上达到 SOTA；单人识别性能比肩标准 ASR 模型，可拒识非目标说话人并支持思维链推理模式。代码开源于 GitHub 和 HuggingFace。
Sherwin Wu@sherwinwuAI 评分6666GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI 宣布 GPT-Live-1 上线 API，支持全双工对话、处理打断与背景噪声，可用于电话语音智能体，并将语音理解与输出整合在同一模型中以降低延迟。
Greg Brockman@gdbAI 评分6767GPT-Live-1 现已登陆 OpenAI API。开发者可将 ChatGPT 式自然对话带入应用，构建能边说边听的语音智能体，并自选所用的模型与 harness。
GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
Tibo@thsottiauxAI 评分7272GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，支持全双工同时听和说，价格为每分钟 $0.05。相比 GPT-Realtime-2.1，其全双工交互测试得分 80.1% 对 45.4%，轮次延迟从 1.4 秒降至 0.8 秒，工具调用准确率从 60% 升至 87%，银行语音支持基准通过率从 12.4% 升至 32%。
OpenAI Developers@OpenAIDevsAI 评分6767OpenAI 宣布 GPT-Live-1 现已在 API 中可用。开发者可在应用中引入 ChatGPT 式自然对话体验，语音智能体可在说话的同时聆听，并支持搭配用户自选的模型和 harness。
OpenAI 在 API 中发布语音模型 GPT-Live-1，可同时听和说，支持将推理和工具调用委派给 GPT-6 Astra 等后端模型，前端语音层定价为每分钟 $0.05。
推荐理由：原文给出单模型全双工语音架构、基准变化和定价，读者可以据此评估它能否简化现有语音 Agent 的分层方案。
ElevenLabs 与 Universal Music Group 宣布达成多年期授权协议与战略合作，这是 ElevenLabs 首次与主要唱片公司签订涵盖授权和产品开发的协议。
推荐理由：这是 ElevenLabs 首次与主要唱片公司达成授权与产品开发合作，读者可以据此了解授权模式下 AI 音乐产品的走向。
Tencent Hy@TencentHunyuanAI 评分5959
作者实测网易有道新上线的语音输入法叭哥说，与 Typeless、豆包输入法、闪电说横向对比。叭哥说采用双模型分工，E2E 平均 1683ms、P95 2134ms，并支持小声拾音、个人词典即刻生效和多语言翻译等功能。
OpenAI 语音产品负责人 Atty Eleti 宣布 ChatGPT 语音模式可自由选择模型和推理深度，Pro 套餐可调用 GPT-5.6 Sol 或 GPT-6 Astra，语音模式在需要搜索或复杂推理时自动调用指定模型。
Suno@suno精选AI 评分6666Suno 发布 v6 模型，可将图片、视频和语音备忘录转化为音乐，并对已创建的歌曲进行精确修改。同时提供 v6-wild 版本供探索更多可能性，官方附有 2 分钟以内的功能演示视频。
推荐理由：官方宣布 v6 上线并给出多模态输入与歌曲精修能力，可据此了解音乐生成模型的最新变化。
Suno 发布 v6 AI 音乐模型，是首个获得唱片业支持的版本，训练数据包含来自 Warner Music Group、BMG 和 Believe 的授权内容及用户数据。
巴黎语音 AI 公司 Gradium（从 Kyutai 研究实验室分拆）推出 Voice Design，输入 1 到 500 字符的描述即可在 3 到 5 秒内生成 1 到 5 个候选语音，无需参考音频，支持英法西葡德 5 种语言，已在 Gradium API 和 Studio 全部套餐免费开放。
Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，将音频切分为 80 毫秒块，通过强化学习为每个词动态调整等待时间，并内置说话人区分（可同时区分 20 人以上）和句界检测。
谷歌于 9 月 5 日宣布在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，可生成含数段副歌、桥段等数分钟完整歌曲，用户可通过 gemini.google.com/music 网站和应用使用。
jason@jxnlcoAI 评分4747OpenAI Codex 在已有线程中上线语音功能，可在桌面端任意线程开启。用户可与编写 PR 的智能体语音讨论、辩论架构或商量后续计划，沟通结束后让智能体继续工作。
Voice is now available in your existing Codex threads. Talk through a PR with the agent that wrote it, debate the architecture, or work out what comes next. You can jump into voice whenever something needs a back-and-forth, then let the agent keep working once you’ve figured it out together.
Ugreen 在 IFA 展会发布 HomeAgent 智能家居平台，将 NAS、监控 NVR 和端侧 AI 整合到一个中枢中，由语音助手 Uliya 管理，宣称数据全部本地处理、无月费。
人人影视更名为“人人影视分享精彩”，App 已在安卓端上线、iOS 端筹备完成，运营方为分享精彩网络科技（嘉兴）有限公司，负责人李渊敏称本月起点对点推广、力争激活 3000 万存量用户。平台依托 7 万余集影视素材样本打造 AI 影视本地化技术，实现角色音色克隆，计划覆盖 50 余个国家和地区，优先面向东南亚输出国产影视内容，片源与华数传媒合作正版购买，目前处于前期公测、月底正式发布。
微软 9 月 3 日发布语音转文字模型 MAI-Transcribe-2，称其是自家最快、最准确、最便宜的转录模型，支持 60 种语言。
Google 开始向全球移动端推出 Gmail Live、Docs Live 和 Keep Live 三项 AI 语音功能，支持免手操作查询信息、总结和转录。Gmail Live 可从收件箱口头回答问题并附邮件来源链接，Docs Live 能把口述需求整理成结构化文档并可在授权后调用 Gmail、Drive、Chat 和网页信息，Keep Live 支持自然语言记录笔记。
Microsoft AI 发布转录模型 MAI-Transcribe-2，称其在 FLEURS 基准 60 种语言上平均词错率 5.2% 排名第一，并占据 Artificial Analysis 准确率-延迟 Pareto 前沿。
推荐理由：官方给出具体基准排名、对比速度倍数和定价，读者可以据此评估它对现有语音转写方案的可替换性。
Artificial Analysis@ArtificialAnlysAI 评分5656Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，将流式 ASR、20+ 说话人的说话人分离和端点检测合并为一个自回归模型，无需后处理。
Elon Musk@elonmuskAI 评分5050Grok 在语音对话模式中上线屏幕共享功能，用户可将浏览器中的画面共享给语音模型，由其实时看到屏幕内容并逐步讲解指引。引用用户反馈称该功能运行效果很好。
Dude WTF? When the F did @SpaceXAI release this feature? In voice conversation mode, you can share your screen with the voice model, and it can see everything you're doing in the browser/talk you through anything you want? How did I miss this? This is amazing. It works so well.
Meta 推出首个实时音频感知模型 Muse Voice Transcribe，整合流式语音识别、说话人分离与端点检测，可通过 Meta Model API 调用，定价每 1000 分钟音频 3 美元。
Google 发布八月 AI 更新汇总：推出面向编码和 Agent 的工作模型 Gemini 3.7 Flash，价格为 Gemini 3.6 Flash 推出价的一半每百万 token。
Artificial Analysis@ArtificialAnlysAI 评分6161
Rohan Paul@rohanpaul_aiAI 评分6060Muse Voice Transcribe is MSL's first real-time audio perception model -- rolling out today. SOTA in streaming speech-to-text, it handles speaker diarization, and endpointing natively in a single model.
