搜索“语音”

Muse推出语音功能Voice

Meta于2026年11月6日宣布,在Muse应用中推出语音和表情虚拟形象功能。用户可点击右上角电话图标开始实时对话,并能在对话中打断。该功能先在美国上线,覆盖移动端、网页和Mac,提供数百种声音可选,虚拟形象会随对话做出表情和手势。Meta表示,语音对话还将登陆AI Glasses和Muse Charm,Muse Realtime Avatar与Muse Realtime Voice技术支持实时流畅对话。同日,David Singleton表示自己为打造该产品的团队感到自豪。

Muse推出语音功能Voice

Meta于2026年11月6日宣布,在Muse应用中推出语音和表情虚拟形象功能。用户可点击右上角电话图标开始实时对话,并能在对话中打断。该功能先在美国上线,覆盖移动端、网页和Mac,提供数百种声音可选,虚拟形象会随对话做出表情和手势。Meta表示,语音对话还将登陆AI Glasses和Muse Charm,Muse Realtime Avatar与Muse Realtime Voice技术支持实时流畅对话。同日,David Singleton表示自己为打造该产品的团队感到自豪。

查看事件：Muse推出语音功能Voice

Hugging Face发布端侧语音模型Phonon

2026年11月5日,Hugging Face发布端侧TTS模型Phonon,提供约65 MB和75 MB两个尺寸,覆盖英语、法语、德语、西班牙语和葡萄牙语,内置100多个音色。其中Phonon 31m仅支持英语,以Apache 2.0开源,可用于商业产品;Phonon 40m覆盖五种语言,采用非商业许可。官方称Phonon在Open TTS Leaderboard的德语和西班牙语可懂度排名第一,并在CPU流式首包延迟基准上领先,配套推理框架ptts支持CPU、GPU和NPU等10余种后端。同日,Unite.AI报道称,Gradium发布技术跟进说明,称Phonon上线两周下载量超过20万次,并给出95分位CPU首音延迟数据:Phonon 31m英语为28毫秒,Phonon 40m英语为38毫秒,Pocket TTS为165毫秒;该报道还称开放权重于10月20日发布。

Hugging Face发布端侧语音模型Phonon

2026年11月5日,Hugging Face发布端侧TTS模型Phonon,提供约65 MB和75 MB两个尺寸,覆盖英语、法语、德语、西班牙语和葡萄牙语,内置100多个音色。其中Phonon 31m仅支持英语,以Apache 2.0开源,可用于商业产品;Phonon 40m覆盖五种语言,采用非商业许可。官方称Phonon在Open TTS Leaderboard的德语和西班牙语可懂度排名第一,并在CPU流式首包延迟基准上领先,配套推理框架ptts支持CPU、GPU和NPU等10余种后端。同日,Unite.AI报道称,Gradium发布技术跟进说明,称Phonon上线两周下载量超过20万次,并给出95分位CPU首音延迟数据:Phonon 31m英语为28毫秒,Phonon 40m英语为38毫秒,Pocket TTS为165毫秒;该报道还称开放权重于10月20日发布。

查看事件：Hugging Face发布端侧语音模型Phonon

Rime发布语音到语音模型Prism

Rime发布面向AI语音智能体的语音到语音模型Prism。据Testing Catalog报道,Prism在开口前先把每条回复写成文本,企业可以编辑转写内容并拦截智能体不该说的话。该模型同时保持通话不中断,并能在对话中查询账户或冻结卡片。Rime称没有其他语音到语音模型采用这种方式,因此Prism更适合银行等受监管企业。目前尚无后续发展信息。

Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Perplexity CEO Aravind Srinivas 宣布,新语音模式向所有 Pro 和 Max 用户开放,覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话,并行推进多项工作流。目前尚无后续发展事实。

Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Perplexity CEO Aravind Srinivas 宣布,新语音模式向所有 Pro 和 Max 用户开放,覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话,并行推进多项工作流。目前尚无后续发展事实。

查看事件：Aravind Srinivas宣布向Pro和Max用户推出新语音模式

Cartesia推出Managed Agents语音智能体平台

Cartesia 推出面向企业通话场景的端到端语音智能体平台 Managed Agents。据 Cartesia 产品与研究发布的信息,该平台在 Artificial Analysis 的 Speech Agent Arena 上以 1115 的偏好 Elo 在 30 个智能体中排名第一;在 ServiceNow 的 EVA-Bench 上取得 87.4% 的准确率和 90.7% 的体验分,两项均为最高。平台将语音模型与 harness 联合设计,提供 44 种语言、工具调用、知识库和外呼批次等能力,官方称已在金融、零售、酒店和医疗场景支撑数千万次对话。Rohan Paul 于 10 月 30 日的报道同样提到该平台在 Speech Agent Arena 盲测人类偏好和 EVA-Bench 上排名第一,并称其 H-Nets 在受控扩展实验中效率提升 3–5 倍。

NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

AssemblyAI推出首款文本转语音模型AssemblyAI-TTS-1

2026年10月29日,AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1并正式开放,面向实时电话语音智能体,定价为每100万字符15美元,不设年度合同和并发档位。据MarkTechPost报道,该模型仅以托管API形式在us-east-1和eu-north-1提供,支持HTTP、WebSocket和OpenAI兼容接口,内置4000多种音色、即时声音克隆和6种语言;厂商自测显示实体准确率93.7%、首字节中位延迟47毫秒,但Cekura独立基准测得流式延迟159毫秒、朗读准确率81.5%,且发布时尚不支持SSML、语速控制和情感标签。同日,Artificial Analysis的Provider Voice Arena评测显示,AssemblyAI-TTS-1以Elo 1227排名第12,发音鲁棒性得分81.7%排名第16,生成速度为每秒162字符。当天晚些时候,OpenRouter宣布AssemblyAI-TTS-1已上线,面向语音智能体场景,可从美国或欧盟节点提供服务。

Rime发布语音模型Prism

Rime发布面向AI语音智能体的语音到语音模型Prism。据Testing Catalog报道,Prism在开口前先把每条回复写成文本,企业可以编辑转写内容并拦截智能体不该说的话。该模型同时保持通话不中断,并能在对话中查询账户或冻结卡片。Rime称没有其他语音到语音模型采用这种方式,因此Prism更适合银行等受监管企业。目前尚无后续发展信息。

查看事件：Rime发布语音到语音模型Prism

AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1

2026年10月29日,AssemblyAI推出首个文本转语音模型AssemblyAI-TTS-1并正式开放,面向实时电话语音智能体,定价为每100万字符15美元,不设年度合同和并发档位。据MarkTechPost报道,该模型仅以托管API形式在us-east-1和eu-north-1提供,支持HTTP、WebSocket和OpenAI兼容接口,内置4000多种音色、即时声音克隆和6种语言;厂商自测显示实体准确率93.7%、首字节中位延迟47毫秒,但Cekura独立基准测得流式延迟159毫秒、朗读准确率81.5%,且发布时尚不支持SSML、语速控制和情感标签。同日,Artificial Analysis的Provider Voice Arena评测显示,AssemblyAI-TTS-1以Elo 1227排名第12,发音鲁棒性得分81.7%排名第16,生成速度为每秒162字符。当天晚些时候,OpenRouter宣布AssemblyAI-TTS-1已上线,面向语音智能体场景,可从美国或欧盟节点提供服务。

查看事件：AssemblyAI推出首款文本转语音模型AssemblyAI-TTS-1

NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

查看事件：NVIDIA发布开放权重语音转写模型Nemotron 3.5 Transcribe

Ollama上线语音模型Phonon,支持文本转语音

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

Ollama上线语音模型Phonon

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

查看事件：Ollama上线语音模型Phonon,支持文本转语音

ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs 推出实时语音翻译模型 Eleven Realtime Translation,目前以 alpha 形式向 ElevenAPI 企业客户开放。该模型默认使用低延迟语音模型 Eleven v4 Turbo,支持 90 多种语言和自动语言检测,同一音色可跨语言保持一致,并可从 17500 多个音色库或自建语音克隆中选择。团队可调节翻译启动速度,在复杂通话的高质量翻译与低延迟之间取舍。德国电信已在 Magenta AI Call Assistant 中基于 ElevenLabs 构建新通话功能。

ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs 推出实时语音翻译模型 Eleven Realtime Translation,目前以 alpha 形式向 ElevenAPI 企业客户开放。该模型默认使用低延迟语音模型 Eleven v4 Turbo,支持 90 多种语言和自动语言检测,同一音色可跨语言保持一致,并可从 17500 多个音色库或自建语音克隆中选择。团队可调节翻译启动速度,在复杂通话的高质量翻译与低延迟之间取舍。德国电信已在 Magenta AI Call Assistant 中基于 ElevenLabs 构建新通话功能。

查看事件：ElevenLabs推出实时语音翻译模型Eleven Realtime Translation

ElevenLabs发布Eleven Realtime v1语音到语音模型

2026年10月20日,ElevenLabs发布Eleven Realtime系列语音到语音模型,包含面向低成本自然对话的v1 Mini和面向复杂任务的v1 Max。据ElevenLabs博客,两者均支持90多种语言并可调用其17,000多个音色;Artificial Analysis的独立评测显示,v1 Max在Big Bench Audio语音推理上答对98.8%,平均0.57秒开始说话,v1 Mini分别为75.9%和0.62秒。该API兼容OpenAI Realtime API,已有集成只需更换endpoint和模型名,也可在ElevenAgents中直接选择模型部署。10月22日,智东西报道称两款模型目前仅支持WebSocket连接,其实测中Architect搭建助手可用语音修改Agent设置,但中文口音明显、回复偏长且延迟较高。