2025年9月16日,FireRedTeam 发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务。据其原创项目介绍,这些组件用于 FireRedChat 全自托管全双工语音交互方案,该方案集成 TTS、ASR、pVAD 和 EoT,无需依赖外部 API,数据不出本地;系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成,LLM 需自行部署,可用 Ollama、vLLM 或 Dify,项目采用 Apache-2.0 许可。目前没有后续发展事实。
匹配字段摘要
2026年2月12日,FireRedTeam 发布一体化语音系统 FireRedASR2S,并放出模型权重与推理代码。该系统包含 ASR、VAD、LID、Punc 四个模块,各模块均称达到 SOTA,且可独立使用。其中 FireRedASR2 支持中文(普通话及 20 多种方言口音)、英文、中英混说以及语音和歌声转写,在 4 个普通话公开基准上平均 CER 为 2.89%,在 19 个中文方言口音基准上为 11.55%,均优于 Doubao-ASR、Qwen3-ASR-1.7B、Fun-ASR 和 Fun-ASR-Nano-2512。FireRedVAD 支持 100 多种语言的语音、歌声和音乐检测,F1 为 97.57%;FireRedLID 覆盖 100 多种语言和 20 多种中文方言,准确率 97.18%;FireRedPunc 中英文标点预测平均 F1 为 78.90%。技术报告见 arXiv。目前尚无后续发展事实。
匹配字段摘要
2026年9月30日,Vapi 发布 Personal Agent Calling 测试版,为个人助理提供语音层,使其可以代用户拨打电话。据 Vapi Blog 介绍,用户只需把一段提示词粘贴进助理,并填入商家与任务,Vapi 即可代为拨号、等待并回报结果。该功能支持 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助理,除 Vapi 通话分钟数外不额外收费。测试中,Vapi 营收负责人 Bryan Parman 让助理致电航空公司申请 Economy Plus 过道座位,助理等待 14 分钟后接通人工,按指示拒绝支付 51.69 美元费用,最终获得免费升舱。目前该功能处于 beta 阶段,尚无后续发展事实。
匹配字段摘要
Meta 于 2026 年 9 月 23 日发布 Meta VR Glasses。据 Meta Newsroom 介绍,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。目前尚无后续发展事实。
匹配字段摘要
2026年8月7日,Sarvam AI 在首届 Sarvam Epoch 上发布 Sarvam 105B 面向对话智能体与工作智能体的更新变体。据官方博客,该模型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。同一发布还包含 Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览,以及印度本地推理层 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 预览和 Mac 版语音应用 Kivi。目前尚无后续独立发展事实。
匹配字段摘要
2026年7月30日,微软发布MAI-Cyber-1-Flash,该模型针对MDASH harness进行优化。据微软AI Blog披露,该模型在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。目前尚无后续发展事实。
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。据 2026 年 6 月 10 日的发布信息,该工具基于 OpenCode 构建,面向数十甚至上百步的长程自动化编程任务,围绕计算、记忆、进化三个主题设计:Max Mode 每轮并行采样 5 个候选方案并由模型评判择优,在 SWE-Bench Pro 上比单次采样提升 10–20%,代价是约 4–5 倍 token 消耗;Goal 机制在智能体尝试终止时用独立模型校验停止条件,死循环概率低于 0.5%;记忆层面通过检查点与重建让逻辑会话可无限延长,并维护会话、项目、全局、历史四层记忆。内部双盲 A/B 测试覆盖 576 名开发者、474 个私有仓库,产生 1213 组对比,执行步数超过 200 时 MiMo Code 胜率升至 65% 以上。6 月 11 日的发布信息称,该工具附带限时免费的 MiMo V2.5 多模态模型,支持百万 token 上下文窗口,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 Clau
匹配字段摘要
2026年10月9日,Sierra发布fleming-1模型,可实时分析通话语音、判断来电者是否为AI智能体,并默认采取保守策略以避免误标真人。该模型适用于任何基于Sierra构建的语音智能体,只需开启即可使用。同日Sierra还宣布正与行业伙伴共同开发开放标准Personal Agent Protocol,让个人智能体获得经授权的企业对接方式。10月10日,Sierra发布Personal Agent Protocol草案(代号Poppy),并公布新增35家设计伙伴,包括OpenAI、Visa、Mastercard、PayPal、Target、Notion、Cloudflare、ElevenLabs等。该协议定义发现、会话、登录、跨渠道统一会话和任务执行五个模块,基于OAuth、JWT、HTTPS、OpenAPI和MCP构建,商家可通过现有网站、API或自有智能体与个人智能体协作。Sierra称此前已与Meta、Genesys、Shopify、Stripe、Walmart等宣布该协议,现邀请更多公司阅读草案并参与设计。
匹配字段摘要
2026年10月7日,Sierra宣布与Meta及Genesys、Instinct、Rocket、Shopify、Stripe、Walmart等合作方共同开发并发布Personal Agent Protocol开放标准,用于定义个人智能体与商家交互的方式,并开放给任何人实现。该协议基于OAuth构建会话,消费者决定授予智能体只读或写入权限,企业则设定智能体可通过网站、基于MCP和OpenAPI的API或企业自有智能体执行哪些操作。Sierra表示后续可能加入更细粒度的权限、推送通知和支付扩展。同日,Sierra在旧金山Sierra Summit 2026上发布Agent OS新增模型Curie与Fleming,并推出Tandem Voice语音方案、Persona Studio声音定制工具,同时提及该协议。目前尚无进一步发展。
匹配字段摘要
2026年10月2日,Tavus推出名为Griffin的Human Interaction Model,可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。Tavus研究显示,48%的参与者在一次一分钟视频通话后认为Griffin是真人,此前系统最高为2%。在Tavus称为Nvidia独立测试的拟人度评分中,Griffin得3.83分,真人为3.92分,此前最佳AI模型为2.80分。名为Griffin-Lite的预览版已向部分测试者开放,能力更强的版本将在安全问题解决后推出。另一报道称,该模型目前仅向可信测试者开放,公开推出前将继续完善安全与披露功能。
匹配字段摘要
Google于2026年10月1日在兼容Android设备上为Gemini Live推出Guided Vision(引导视觉)功能,用户共享摄像头即可获得实时语音描述和取景提示。据Google Blog介绍,该功能与盲人和低视力社区共同开发,Google与Aira合作处理了数万小时视觉解读数据,超过1000名Aira测试者参与压力测试与安全护栏评估。Google说明它属于辅助工具,可能出错,不是医疗设备、行动辅具或白手杖替代品,也不用于导航和避障。目前尚无后续发展事实。
匹配字段摘要
2026年10月1日,助听科技初创公司Legato宣布其旗舰AI助听眼镜Legato Frames正式开售,起售价999美元,面向轻中度听力损失成年人。该产品将助听技术集成于镜腿,用AI区分人声与背景噪声并放大语音,双扬声器系统将声音导向佩戴者,耳外几英寸处声音可降低99%。全部处理在眼镜端完成,不含摄像头与录音,整机含镜片重34克,续航10-12小时,提供三种款式并支持处方镜片与蓝牙音频。Legato由前Bose高管Mehul Trivedi和Steve Romine于2024年创立,此前完成1200万美元融资。目前尚无后续发展事实。
匹配字段摘要
2026年9月29日,Inception Labs发布扩散式推理语言模型Mercury 2,称其为全球最快的推理语言模型。该模型采用扩散式并行精炼而非自回归逐 token 解码,官方称生成速度提升超过5倍,在NVIDIA Blackwell GPU上达到1,009 tokens/sec。定价为每百万输入token 0.25美元、每百万输出token 0.75美元,支持可调推理、128K上下文、原生工具调用和schema对齐的JSON输出,并兼容OpenAI API,面向编码补全、智能体循环、实时语音和搜索RAG等延迟敏感场景,现已可用。同日,Inception Labs宣布Mercury 2上线Azure AI Foundry,目前在美国和加拿大区域提供。
匹配字段摘要
Google发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话音频模型,即日起通过Gemini API、Google Workspace和Gemini应用开放。据Google DeepMind介绍,Gemini 3.8 Live Extended Thinking在Artificial Analysis语音到语音质量指数得82.6分排名第一,τ-Voice智能体任务完成率68.6%,Big Bench Audio得97.7%;Gemini 3.8 Live在Speech Agent Arena排名第二。两款模型支持近实时视觉输入、对话中自动切换97种语言,并可在后台执行工具和API调用而不打断对话。9月18日,Google展示用Gemini 3.8 Live Extended Thinking构建的工作坊助手演示,可分析工作区、出声推理并引导搭建过程。9月21日,Google又演示了用该模型构建的编程辅导Agent,能查看用户屏幕、通过function calling引用p5.js库并讲解代码逻辑。
匹配字段摘要
2026年9月14日,ElevenLabs 扩展其 MCP 连接器的能力,新增语音、音乐、图像及视频生成。据 ElevenLabs Blog 同日发布的信息,用户通过一次安装和 OAuth 登录,即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频,所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型,无需自建服务器或管理 API 密钥,且与驱动 ElevenLabs Agents 的 MCP 为同一个,已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具,数据驻留地在连接时选择。目前尚无后续发展事实。
匹配字段摘要
2026年1月以来,Vimeo客户已通过AI为超过2.5万个视频完成约140万分钟配音,超过27%的企业账户尝试过该功能,平均每个视频覆盖3.3种目标语言。9月7日,Vimeo进一步集成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。创作者可编辑文本轨道,并在发布前检查和调整配音结果。
匹配字段摘要
LiveKit 正式发布 Agent Simulations 语音智能体测试功能
English translation is being prepared.
匹配字段摘要
OpenAI在Dev Day上发布了Decisions API。据代表证据报道,此次Dev Day上OpenAI为软件工程智能体Codex推出可跨设备复用的云开发环境,开发者可在电脑、手机或云端运行Codex,团队可共享带审批设置和权限的工作区;Codex CLI更新支持语音启动和指挥任务,新增/agents视图便于同时委派和跟踪多个任务,并可在ChatGPT桌面应用内进行代码审查;OpenAI还推出Codex Security Cloud,可按需或定期扫描整个GitHub仓库,并在新提交到达时自动检查、去重和准备修复。目前尚无该发布之后有合格事实证据的进一步发展。
匹配字段摘要
ElevenLabs 发布 Eleven v4及Eleven v4 Turbo语音模型
English translation is being prepared.
匹配字段摘要
ElevenLabs 扩展 MCP语音、音乐、图像及视频生成能力
English translation is being prepared.
匹配字段摘要