Google 公布本周更新，包括 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频生成模型，以及带 Live Avatar 的 Gemini 3.8 Live，为对话式 AI 加入接近实时的视觉呈现。Gemini Notebook 新增 Interactive Learning Overviews，并将在移动端上线 Live Chat，支持约 100 种语言的免手操作实时语音对话。此外，去年公布的 Project Suncatcher 将发射原型卫星，在轨测试 Google TPU 并探索太空太阳能 AI 算力。
匹配字段摘要
Meta 在 Connect 2026 活动上为旗下走红的 Muse 智能体发布多项升级，包括 12 月发货的钥匙扣硬件 Charm、数月内上线的 AI 眼镜集成、实时语音与视频对话，以及可同步语音的 Muse Realtime Avatar。扎克伯格称 Charm 是“与 Muse 对话最快的方式”，眼镜端将提供连 Meta 也无法获取数据的私有处理模式。PayPal、Walmart、Shopify、GitHub 和 Box 等公司已成为 Muse 合作伙伴，此前亚马逊本周早些时候曾阻止其访问。
匹配字段摘要
Meta 在 Connect 2026 宣布，将在未来几个月把个人 AI 智能体 Muse 接入其 AI 眼镜，用户可直接说出智能体名字，Muse 能对眼前所见采取行动，并支持长时间语音对话与后台执行任务。Muse 新增 Walmart、Best Buy、Sephora、Expedia、Instacart、Notion、GitHub 等连接器以及 Shop Pay 和 PayPal 支付，并将拥有自己的邮箱地址。Meta 同时发布约 100 克重的 Meta VR Glasses、Ray-Ban Meta Audio 眼镜和 Ray-Ban Meta（Gen 3），并推出 FDA 认证的听力增强功能，今年晚些时候在美国上线，售价 149.99 美元。
匹配字段摘要
腾讯混元发布翻译产品 Tencent Hy Translation，由 Hy-MT2 模型驱动，支持 33 种语言和 5 种中国少数民族语言及方言，提供语音与拍照翻译。该产品完全离线运行于端侧，无需网络，已在 12 个国家和地区上线。
匹配字段摘要
Google 开始测试名为 Call for Me 的新功能，让 Gemini 代替用户给商家打电话。该功能首批面向美国付费订阅 Gemini 的 Pixel 11 用户，并需使用 Google Phone 应用的 beta 版本。Gemini 可在通话中分享用户批准的个人信息，处理查询库存、餐厅订位、改约、预留商品等任务，能自我介绍、应对自动语音菜单、等待接通并完成对话，用户可实时查看通话转写并随时接管，通话直接使用用户本人的手机号码拨出。
匹配字段摘要
Meta 在 Connect 2026 上公布 Meta Ray-Ban Display 的多项更新，包括语音免手导航、通话用个性化全息形象、眼镜端 Explore 应用，以及日历、通知镜像和 Threads 社区信息流等功能。导航新增骑行与实时公交方向，本月晚些时候在美国和加拿大上线；全息通话今年秋季晚些时候在美国以 WhatsApp 早期体验形式推出。产品同时扩展至英国、加拿大、法国、意大利和德国，加拿大与英国今日开售，法国、意大利和德国今日起陆续开启预订，10 月 13 日正式发售。
匹配字段摘要
Meta 发布 Meta VR Glasses，整机约 100 克，比 Meta Quest 3 轻五倍，采用眼镜加外接 puck 的两段式设计，puck 负责算力、电池与存储。设备搭载 5K Infinite Display 与 micro-OLED 面板、37 PPD，支持 Dolby Vision 和 Dolby Atmos，由高通 Snapdragon Reality Elite 处理器驱动，puck 电池可支持约三小时高分辨率媒体播放和 45W 快充。Meta AI 智能体已集成进操作系统，可通过语音、眼动和手势操作，无需手柄；产品将于 2027 年春季开售，售价 1299.99 美元。
匹配字段摘要
xAI 发布 Grok Voice Transcribe 2.0，称其在客服通话、口述凭证和短语音指令三类场景中的准确率是上一代的两倍。官方未披露具体评测数据或可用入口。
匹配字段摘要
Vimeo 通过 ElevenAPI 集成 ElevenLabs Dubbing，将转录、翻译、声音克隆和语音合成整合为单一流程，支持 40 种目标语言的自动视频配音。自 2026 年 1 月以来，客户已为超过 25,000 个视频配音 1.4 million 分钟，超过 27% 的企业账户尝试过 AI 配音，平均每个视频覆盖 3.3 种目标语言。创作者还可编辑文本轨道，在发布前检查和调整配音结果。
匹配字段摘要
Gemini 的视频理解改为智能体式处理，模型可自行浏览视频时间线、决定看哪些片段、选择帧率，并判断是否需要语音转录、音频或视觉帧来回答提示词。官方称长视频最多减少 88% 的 token 和 66% 的成本，基准准确率提升约 7%。启用方式是在 video 上设置 processing="agentic"，2 分钟以内的视频仍用 static；该功能已在 Gemini API 和 Google AI Studio 上线，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash Lite。
匹配字段摘要
xAI 宣布 Grok Build 从 7 月的 SuperGrok Heavy 限定 Early Beta 转为面向所有用户开放，覆盖网页、iOS 和 Android。用户在对话中描述应用、游戏、网站或仪表盘，Grok 即可实时生成可运行版本，并可通过 grok.me 链接发布分享。新增能力包括 Remix 复刻、自定义域名、导出到 GitHub、密钥存储和连接器，应用还可按需调用 Grok 的对话、图像和语音 API。
匹配字段摘要
Sarvam AI 在首届 Sarvam Epoch 上公布全栈更新，包括 Sarvam 105B 面向对话与工作智能体的新变体、Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览。Sarvam 105B 在自建印度对话生产基准上四项指标均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash，混合 token 价格为每百万 0.80 美元，并已通过 Sarvam API 提供。公司同时推出印度本地推理层 Sarvam Inference、自服务智能体平台 Indus（含 Voice Agents、Work Agents、Content Studio）、早期测试的 Sarvam Code、安全智能体 Sarvam Cyber 预览，以及 Mac 版语音应用 Kivi。
匹配字段摘要
微软发布针对 MDASH harness 优化的 MAI-Cyber-1-Flash，在 CyberGym 上取得 96% 的 any crash 分数，成本为当前 MDASH 最佳方案的 50%，并可在 H100 上部署。该模型设计用于高效处理最多 90% 的任务，把 GPT 5.4 等最贵模型留给 10% 的极难问题。微软同时披露上季度已交付十余个覆盖图像、语音、转写、编码和安全的新模型，其中 MAI-Image-2.5-Flash 在 PowerPoint 中相比 GPT-Image-2 降低最多 84% 的 GPU 成本，MAI-Voice-2-Flash 在 Dynamics 365 Contact Center 中降低最多 89% 的 GPU 成本。
匹配字段摘要
小米 MiMo 发布并开源终端编码助手 MiMo Code V0.1，采用 MIT 许可，附带限时免费的 MiMo V2.5 多模态模型，支持百万 token 上下文窗口。该工具提供无限上下文、Agent 与模型协同、Compose Mode、自进化系统以及基于 MiMo-V2.5-ASR 的语音输入，并兼容 Claude Code，可自动加载已有的 skills、MCP 服务器和命令并复用 API 配置。Mac 与 Linux 可用一行 curl 命令安装，Windows 通过 npm install -g @mimo-ai/cli 安装，同时支持 Anthropic、OpenAI、DeepSeek、Kimi、GLM 等模型提供方。
匹配字段摘要
xAI 宣布即日起可在 Nous Research 的开源自我改进智能体 Hermes Agent 中直接使用 Grok 订阅。接入后可用 Grok 4.3 进行文本对话与高级推理、Grok Text-to-Speech 生成语音回复、Grok Imagine 生成图像和视频，所有订阅档位均可使用。Hermes Agent 可持久运行在任意电脑、沙箱或 VPS 上，跨会话建立长期记忆，并能连接 WhatsApp、Discord、Telegram、Signal 等消息平台；用户通过 hermes model 选择 xAI Grok OAuth 并浏览器登录即可启用。
匹配字段摘要
Deepgram 的 STT 和 TTS 模型现已原生运行于 Together AI，开发者可将语音转写、LLM 推理和语音合成部署在同一平台。模型包括支持 250ms 话轮结束检测的 Flux、Nova-3、Nova-3 Multilingual 和 Aura-2，并可通过 Dedicated Model Inference 使用隔离容量及 99.9% 正常运行时间 SLA。
Deepgram 的 STT 和 TTS 模型现已原生运行于 Together AI，开发者可将语音转写、LLM 推理和语音合成部署在同一平台。模型包括支持 250ms 话轮结束检测的 Flux、Nova-3、Nova-3 Multilingual 和 Aura-2，并可通过 Dedicated Model Inference 使用隔离容量及 99.9% 正常运行时间 SLA。 · Deepgram’s STT and TTS models now run natively on Together AI, allowing developers to deploy speech transcription, LLM reasoning, and speech synthesis on one platform. The lineup includes Flux with 250ms end-of-turn detection, Nova-3, Nova-3 Multilingual, and Aura-2, with isolated capacity and a 99.9% upti
匹配字段摘要
Sierra 发布智能体构建工具 Ghostwriter，用户上传 SOP、客服通话记录、白板草图或音频，或用自然语言描述目标，即可生成覆盖语音、聊天、邮件和 30 多种语言的生产级智能体。配套的 Explorer 基于客户对话数据识别改进方向，平台已重构为无头基础设施，让智能体可直接调用完整工作区并在沙箱中验证改动。
匹配字段摘要
Together AI在NVIDIA GTC 2026公布Dynamo 1.0、NemoClaw、Nemotron 3 Super和语音AI相关进展。NemoClaw可访问其150多个优化模型；具120B参数和1M-token上下文的Nemotron 3 Super支持专属部署，Parakeet TDT 0.6b V3也已进入模型库。
Together AI在NVIDIA GTC 2026公布Dynamo 1.0、NemoClaw、Nemotron 3 Super和语音AI相关进展。NemoClaw可访问其150多个优化模型；具120B参数和1M-token上下文的Nemotron 3 Super支持专属部署，Parakeet TDT 0.6b V3也已进入模型库。 · Together AI announced developments involving Dynamo 1.0, NemoClaw, Nemotron 3 Super, and voice AI at NVIDIA GTC 2026. NemoClaw can access its library of over 150 optimized models; the 120B-parameter Nemotron 3 Super, featuring a 1M-token context window, is available through dedicated deployment, while Parakeet TDT 0.6b V3 has a
匹配字段摘要
Sarvam AI 发布 Sarvam Edge，面向设备端推理推出语音识别、语音合成和多语言翻译模型。语音识别为 74M 参数的统一多语言模型，支持 10 种印度语言，端侧体积约 294MB（FP16），在 Snapdragon 8 Gen 3 上首 token 延迟低于 300 毫秒；语音合成 24M 参数、约 60MB，支持 10 种语言和 8 个多语言音色，首音频延迟 260 毫秒；翻译模型约 150M 参数、约 334MB，覆盖 11 种语言共 110 个语言对，首 token 约 200 毫秒。官方称该系列与全球设备厂商合作开发，推理完全在本地完成，无按次云端成本。
匹配字段摘要
Sarvam AI 发布 AI 配音模型 Sarvam Dub，支持零样本音色克隆，并把时长控制直接做进语音生成过程，官方称原本需要数周的配音流程可缩短到几分钟。其自建评测集覆盖 10 种印度语言和英语、64 位说话人，每套系统测试 700 多条音频，官方称在跨语种场景下的说话人相似度优于同类方案。Sarvam Dub 已用于每月译制 11 种印度语言的 Mann Ki Baat、与 IIT Madras 合作的技术课程配音，以及通过 Republic TV 以卡纳达语和印地语实时配音的 2026 年印度联邦预算演讲，工程团队称相较基础 Torch 实现延迟降低 6.6 倍。
匹配字段摘要