Neuralink 公布最新进展，渐冻症患者 Kenneth 在脑中默念「Hey Neuralink」并说出任务，即可唤醒电脑上的 Grok Agent 自主执行操作。团队在受试者家中进行 72 小时开发，产出 8 项技术原型，包括无需手动开关的神经语音活动检测、系统级脑机输入法 BCI Keyboard Dictation 和手机应用 Bloom。Kenneth 还通过脑机解码的语音接入 iPhone 通话音频流，时隔七年用意念给妻子拨通电话。
匹配字段摘要、正文
Shobhit Banga 发布双轨对话数据集 Joy，包含 10 万小时真实、非脚本化的双人对话，每人在独立音轨，覆盖 5 万名说话人和 10 种语言。Rohan Paul 指出，当前语音 AI 主要用 LLM 编写、TTS 朗读的虚假对话训练，听不到人们互相抢话，他对这些对话如何维持 10 到 20 分钟感到好奇。
匹配字段摘要、正文
ChatGPT 宣布 dot 支持通过 iMessage 或 RCS 短信交互，用户可用文字、照片或语音留言给它派任务或让它持续关注某件事，dot 会主动发消息汇报相关进展。该功能以预览形式向美国 Pro 用户推送，官方称只有用户本人能给自己的 dot 发消息，dot 也只能回复本人，且不会让 dot 或 OpenAI 访问用户的其他短信对话。设置方式是在 dot 的个人资料页选择 Texting，dot 在不同入口共享同一套上下文和插件。
匹配字段摘要、正文
Xreal 与 Google 合作开发的 Android XR 眼镜 Xreal Aura 在美国、加拿大、日本和韩国开售，12GB+256GB 版 1279 美元、16GB+512GB 版 1499 美元，年底前优惠价为 1099 和 1299 美元，11 月中旬开始发货。它重约 95 克，采用分体架构，把主要计算单元和电池放到有线口袋主机中，搭载高通 Snapdragon Reality Elite 芯片，支持 Gemini 语音指令、手势追踪和 70 度视场。Xreal 称首发提供 150 多个 XR 应用与体验，并推出带 Gemini 键的手柄和无线键盘配件。
匹配字段摘要、正文
Sarvam AI 的 Indus Cowork 在 10 月 28 日由首席部长 Devendra Fadnavis 发布后，正部署给马哈拉施特拉邦 2500 名政府官员，用于起草文件、分析报告、汇总档案和检索政府记录。该邦 8 月批准了 Sarvam 主权 AI 方案，两年预算 11.26 亿卢比，除 Indus Cowork 外还包含面向公民沟通的语音与 WhatsApp 系统 Samvaad，并将 Saaras 语音识别和 Bulbul 文本转语音模型接入该邦 MahaAI 平台。平台支持包括马拉地语在内的 22 种语言，并提供检索政府决议的 GR Expert、邮件摘要和 RFP 投标评估等工具，Sarvam 称系统运行在位于印度境内的安全审计基础设施上。
匹配字段摘要、正文
OpenAI 将 ChatGPT dot 智能体的使用入口扩展到 iMessage 和 RCS，此前该功能只能在 Slack 或 ChatGPT 应用内使用。用户可通过文字、照片或语音留言给它派任务，它会主动发消息汇报进展；在 dot 的个人资料中选择 Texting 即可设置，且不会让 dot 或 OpenAI 访问其他短信对话。
匹配字段摘要、正文
NVIDIA 公布 RTX Spark 轻薄笔记本的多项更新，包括开放权重语音模型 Nemotron 3.5 Transcribe、Liquid AI 的 LFM3 模型家族支持，以及 NVIDIA App 中可在前台应用与后台智能体之间分配 GPU 资源的控制项。Nemotron 3.5 Transcribe 支持 40 种语言的转写、说话人标注和翻译，约 43 亿活跃参数，已在 Hugging Face 上线。RTX Spark 笔记本现由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 出货，起售价 2599 美元。
匹配字段摘要、正文
ElevenLabs 发布强制对齐模型 Cue，可为音频中每个字符定位精确时间点，并已用于 Scribe 语音转文字模型家族。Cue 覆盖 90 多种基准语言，单次处理任意长度录音，在生产 GPU 上对齐 1 小时音频约需半秒；在 29 种语言的基准上，其准确率高于 ElevenLabs 测试的所有对齐工具。该模型也通过 Forced Alignment API 单独开放。
匹配字段摘要、正文
腾讯混元开源实时中英同声传译模型 Hy-SimulMT，延迟约 3 秒，支持实时语音克隆。官方称其表现优于多数开源模型和商业 API，模型已在 Hugging Face、ModelScope 和 GitHub 发布。
匹配字段摘要、正文
特斯拉副总裁阿肖克·埃卢斯瓦米在财报电话会议上确认，特斯拉正在自研一套基于 AI 的地图导航系统，将随 FSD v15 上线，融合车队采集数据、个性化路线规划并支持 FSD 语音控制。他称这是全新架构而非另一版地图，车队会自动采集街道信息并标注通行速度、停车标识、红绿灯、停车场等数据，用于解决限速识别、泊车和路线规划问题。新地图预计先在 FSD v15 的行程出发和到达阶段使用，之后数月内逐步覆盖泊车和语音控制等剩余导航能力。
匹配字段摘要、正文
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7*24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7 24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
匹配字段摘要、正文
OpenAI 于周四向所有客户开放 Decisions API，该产品在 9 月 29 日的开发者日上发布，基于 ChatGPT Luna 重新配置以加快推理并降低成本。OpenAI API 产品负责人 Nikunj Handa 称，延迟从 1 至 3 秒缩短到 100、120、180 毫秒，公开版本新增语音和视觉模态，并按地域部署推理资源以降低延迟。在 Box、Datadog、Ramp、Speak 的初期试用中，Speak 将操作间隔从 1.4 秒降至 0.13 秒；在 AIM System One Index 和 Artificial Analysis Decision Index 上，OpenAI 的决策模型分别排第八和第十四，落后于 Liquid 的 D1 Ultra 和 Base Lab 的 Elephant-1。
匹配字段摘要、正文
Anthropic 发布常驻个人智能体 Duet，在 iOS、Android 和网页端以独立于 Claude 的应用运行。Dan Shipper 称其测试两周后使用 Claude 的时间占比升至约 50%，应用内有按工作与生活领域划分的频道、待办列表和文档幻灯片编辑功能。他也指出 Duet 尚不能指挥电脑上的 Claude 会话，邮件草稿不如 dot，语音仅支持转写、无法对话。
匹配字段摘要、正文
Modal 发布 Sticky Sessions，基于 Modal Servers 实现会话内所有请求路由到同一容器，用 @modal.sessioned() 装饰器即可创建会话。每个会话返回签名 token 用于共享访问，扩缩容以活跃会话数而非请求量为单位。该功能面向语音智能体、共享房间和多人在线游戏等需要保持状态连续性的场景。
匹配字段摘要
AWS 发布 TorchNeuron 开发工具，让用 PyTorch 编写的 AI 应用只需改一行配置就能运行在亚马逊自研芯片 Trainium 上，无需重写代码。亚马逊称约 85% 的 AI 应用用 PyTorch 编写，并计划把移除框架与特定芯片绑定代码的改动提交到 PyTorch 上游。AWS Annapurna Labs 技术软件副总裁 Colin Brace 称，语音应用厂商 Deepgram 迁移到 Trainium 后每美元处理的音频量提升 70%。
匹配字段摘要
Respan 发布用 Rust 编写的开源 AI 网关，用一个精简内核加插件替代此前围绕 LiteLLM 构建的 10 万多行封装代码。转折点是 2026 年 1 月一次常规 LiteLLM 升级引发间歇性连接失败，回滚后原因仍未查明，此后团队不再直接升级 LiteLLM。新网关借鉴 Nginx 思路，把模型供应商、路由、MCP 工具、实时语音和安全控制拆为插件，Mistral 供应商插件仅 22 行代码；自定义插件需编译进网关二进制，且按注册顺序执行，缓存若排在安全检查之前可能绕过检查。网关目前仍为 pre-alpha，可从 GitHub 下载预构建二进制运行。
匹配字段摘要
Zoom 在 Zoomtopia 大会上发布 Unified Context Layer，把会议、通话和客户互动信息与 Salesforce、ServiceNow、Workday 等系统数据整合成实时更新的关系图谱，供 AI 智能体共享记忆和协同工作，该层已可用。Zoom 称内部基准显示这一方式比独立智能体各自解析信息降低成本 45% 至 65%，但未提供独立验证。同期还推出 ZoomMate Agent Teams、扩展到 40 多个第三方应用的智能体搜索、支持多语言广播的翻译与语音克隆，以及通过 MCP 服务器和 Search、Ask API 向外部应用开放上下文，多数功能计划在 2027 年初前陆续发布。
匹配字段摘要
Elon Musk 转发 Brian Roemmele 的演示，称 Grok Bot 可以打电话给餐厅并帮你订位。Roemmele 表示自己搭建的 Grok Bot 用 Grok 语音完成通话，能自行找到餐厅电话、确认时间和姓名、复述信息后再拨号，通话结束用平实语言汇报结果，并可把预订写入日历；他还接入了 ClawCall 提供的号码，免费额度为 30 次通话或 30 分钟，并设置了不提供信用卡信息、不主动外呼等限制。
匹配字段摘要
OmniHuman V2 已在 fal 平台上线，可用单张图片和一段音频生成说话视频，并让唇部动作与表情跟语音同步。该版本还支持可选提示词来引导表演效果。
匹配字段摘要
HeyGen 的新文本转语音模型 HeyGen Voice 已上线 OpenRouter，10 月 31 日前五折。该模型在 Artificial Analysis TTS 榜单登顶，提供 HeyGen Voice 和延迟更低的 HeyGen Voice Turbo 两种模式，折后价格分别为每百万字符 15 美元和 7.50 美元。OpenRouter 提供 10 种内置音色，也可自带 HeyGen key 使用自己账号中克隆的音色。
匹配字段摘要