Granola 推出听写功能，与 Wispr 正面竞争
以会议记录工具起家的 Granola 上线听写功能，用户在 Mac 上按 Fn 键即可说话，工具会自动整理并格式化语音，最终文本可粘贴到所有应用，支持写笔记、口述提示词和回复邮件消息，且不限字数、免费使用。该功能将很快登陆 iOS 和 Windows。此举发生在 Wispr 推出会议记录工具数月之后，Granola 与 Wispr 估值分别为 15 亿美元和 20 亿美元。
#语音
TechCrunch：AIAI 评分4949 
Rohan Paul@rohanpaul_aiAI 评分4545
引用Shobhit Banga@shobhitbangaDrop 1/15: Introducing Joy, a dual-channel conversational dataset. Real, unscripted conversations between two people, each on their own track. Built to teach voice models how people actually talk: when to listen, when to jump in, when to say “hmm”. 100,000 hours. 50,000 speakers. 10 languages.
ElevenLabs@ElevenLabsAI 评分4343用一条提示词描述场景，SFX v3 就能开始工作。 人群欢呼，球落下，然后人群发出嘘声。SFX v3 能更可靠地遵循多条指令，一步步把你描述的内容更多地融入音频中。
- Rohan Paul@rohanpaul_aiAI 评分5656
10 人初创公司 Phonic 发布语音到语音模型 Phonic-1，官方称其为唯一能在来电者说到一半时就执行查询和预订的语音模型。
引用Moin Nadeem@moinnadeemIntroducing Phonic-1, the most advanced speech-to-speech model for agentic tasks — from @phonic_co, the speech-to-speech model company. We’ve had a breakout year and raised a $27.5M Series A led by @firstround with participation from @Lux_Capital, @felicis, and Definition.
Claude@claudeaiAI 评分4141iOS 和 Android 上的语音模式响应更快，在嘈杂房间或你小声说话时也能听得更清楚。非英语语音听起来更自然，语音功能现已在更多 Android 手机上运行。
- Claude@claudeaiAI 评分4848
Cartesia 产品与研究AI 评分5555 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。
Artificial Analysis@ArtificialAnlysAI 评分5858
- Artificial Analysis@ArtificialAnlysAI 评分6565
TechCrunch：AIAI 评分6464 Deepgram 收购 Pipecat 开发商 Daily 并推出语音智能体开放协议 RCS
Deepgram 宣布收购开源语音 AI 基础设施 Pipecat 的开发与维护方 Daily，交易金额未披露，双方承诺 Pipecat 将永久保持开源和供应商中立。
Hugging Face 社区博客AI 评分6060 Hugging Face 发布 AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 开源包
Hugging Face 社区博客发布 AnySpeechRecognizer 0.1.0 和 AnyDecisionModel 0.6.0 两个 Swift 包，让开发者在 Apple 平台上以统一 API 选择语音识别和决策引擎。
MarkTechPostAI 评分6060 AssemblyAI 发布首个语音合成模型 TTS-1，定价 $15/1M 字符面向语音 Agent
AssemblyAI 发布首个文本转语音模型 AssemblyAI-TTS-1，正式开放 API，面向实时电话语音 Agent，定价 $15/1M 字符且不限并发。
MarkTechPostAI 评分4949 Block 发布 Dessa：仅用语音训练的全双工语音模型
Block 发布研究预览版 Dessa，一款仅用人类对话音频训练的全双工语音到语音模型，不使用文本和预训练模型。它用 1 台 NVIDIA GB200 NVL72（72 块 GPU）训练，可在 MacBook Pro M4 Max 及以上本地运行且快于实时。目前仅有演示，未公布 benchmark 分数、参数量、权重、论文或 API，需申请 waitlist。
IT之家·人工智能AI 评分7272 英伟达发布开放权重转录模型 Nemotron 3.5 Transcribe，支持 40 种语言并开源数据管线 Granary v2
英伟达于 10 月 28 日发布开放权重语音转录模型 Nemotron 3.5 Transcribe，并公开训练数据管线 Granary v2。
MarkTechPostAI 评分6565 NVIDIA 发布开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言、约 4.3B 激活参数
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，单模型支持 40 种语言、最长 1 小时音频的转录，可内置输出说话人标签、词级时间戳和翻译。
Gemini Notebook@Gemini_NotebookAI 评分5050引用Gemini Notebook@Gemini_NotebookLive Chat is now 100% rolled out to all Ultra users on mobile 📱✨ Have real-time voice conversations with your notebooks across ~100 languages. Powered by our latest audio models, ask questions about your sources and get step-by-step guidance (almost) completely hands-free.
Aravind Srinivas@AravSrinivasAI 评分5050引用Houssein Djirdeh@hdjirdehWe worked with @therealbradysm, @annuskabarta, and the rest of the multimodal team to bring this incredible new voice mode to Perplexity web. - Natural back-and-forth conversation - Navigate the app entirely by voice - Work across multiple sessions at once Runs on GPT-Live-1. Lots more improvements to come!
OpenRouter@OpenRouterAI 评分5151引用AssemblyAI@AssemblyAIIntroducing AssemblyAI-TTS-1, our first text-to-speech model. Natural speech for voice agents, streaming in 90 ms, at $15 per million characters. On accuracy, naturalness, and cost together, it’s the best TTS model you can run at scale.
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。
- Artificial Analysis@ArtificialAnlysAI 评分5555
The Decoder：AI NewsAI 评分6969 Nvidia 开源 Nemotron 3.5 Transcribe 语音识别模型，集成转写、翻译和说话人识别
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，可转写 40 种语言、在 31 种语言与英语间互译、识别最多 8 个说话人，支持最长 1 小时的录音，并能通过提示词控制输出或回答音频内容问题。
- Aravind Srinivas@AravSrinivasAI 评分6060
TechCrunch：AIAI 评分6565 Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe，支持 40 种语言
Nvidia 发布免费开放权重的语音转写模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，可处理最长 1 小时的录音并区分最多 8 个说话人，还同步发布了第 2 版开源语音数据集 Granary。
- Artificial Analysis@ArtificialAnlysAI 评分5757
Hugging Face 社区博客AI 评分6363 NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe 及 Granary v2 数据管线
NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe，现已在 Hugging Face 和 ModelScope 提供，单一模型支持 40 种语言转写、31 种语言翻译、13 种语言说话人分离和音频问答，可处理最长一小时、最多 8 个说话人的录音。
- ElevenLabs@ElevenLabsAI 评分5656
- Artificial Analysis@ArtificialAnlysAI 评分4141
- Gemini Notebook@Gemini_NotebookAI 评分5050
NotebookLM 移动端应用新增实时录音功能，可直接在应用内录制最长 1 小时的讲座、会议等音频并立即用作来源。作者建议将录音与手写笔记照片结合，打造更个性化的工作区。
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。
公众号：火山引擎AI 评分5757 《不问凡尘》：20人团队用火山引擎模型9个月做出26万玩家买单的AI互动作品
火山引擎介绍《不问凡尘》如何用AI完成研发：约20人团队9个月上线，Steam 好评率87%、超26万玩家，成本约为传统制作的1/3。核心资产由 Seedance 2.0/2.5 生成视频、Seedream 5.0 Pro 生成图像、Seed TTS 结合 Seed Character 生成语音，项目组用状态机连接图层和玩家输入实现交互，并借助 TRAE 与 Agent 工作流搭建自动化生产管线。
IT之家·人工智能AI 评分6060 Ollama Mac 应用新增离线语音生成，速度比 Gradium 自身实现快 35%
Ollama 于 10 月 24 日宣布 Mac 应用正式支持文本转语音（TTS）生成，Windows 和 Linux 版本随后跟进，首个支持的是 Gradium 的 Phonon 系列语音模型，可在 Apple Silicon Mac 上离线运行。
IT之家·人工智能AI 评分6767 腾讯混元同声传译大模型 Hy-SimulMT 开源，实测响应约 3 秒
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，响应时间实测约 3 秒，低于人类专业译员 4-5 秒的平均水平，并支持实时音色克隆。该模型在腾讯 Hy 翻译 App 首发免费体验；在长音频评测集 RealSI 上延迟最低且效果达开源模型最佳，团队还邀请 6 位持 CATTI 一二级证书的人类同传专家对比测评，称其在翻译质量上达到专家水平且时延更低。
Tencent Hy@TencentHunyuanAI 评分5757公众号：腾讯混元AI 评分6464 腾讯混元开源同声传译大模型 Hy-SimulMT，实测响应约3秒
腾讯混元于10月26日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与实时音色克隆，响应时间实测约3秒，低于人类专业译员4-5秒的平均水平。