NVIDIA 于 2026 年 10 月 28 日发布语音转写与翻译模型 Nemotron 3.5 Transcribe，支持含日语在内的 40 种语言，最长可转写 1 小时录音。该模型为开放权重 30B MoE 架构，推理时约激活 4B 参数，可通过文本指令指定是否保留口头语、数字写法，并支持最多 8 人的说话人区分和日英双向翻译。权重以 NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 在 Hugging Face 发布，采用 OpenMDW-1.1 许可，提供 BF16、FP8、NVFP4 版本及 NeMo Speech 微调工具。
匹配字段标题
Perplexity 升级 Mac 应用语音模式，底层改用 OpenAI 的 gpt-live-1 语音模型，可在一次语音会话中同时处理多个 Computer 会话、启动新任务并创建管理 Projects。Perplexity 近期还上线在 Mac 本地直接运行 AI 的能力，支持离线模式与注重隐私的 AI 工作流。
匹配字段标题
AnySpeechRecognizer 在 Apple SpeechAnalyzer API 之上支持切换引擎，可选用 NVIDIA Parakeet TDT 0.6B v3（支持 25 种欧洲语言）、Moondream 后训练的 Parakeet Ultra、英文版 Parakeet Unified，以及阿里 Qwen3-ASR（0.6B/1.7B，覆盖 30 种语言和 22 种中文方言）。这些模型已转为 Core ML 发布在 Hugging Face Hub，Parakeet 转写 1 小时音频约需 20–40 秒，Qwen3-ASR 更慢且需数 GB 内存。包内还新增 Apple 框架没有的说话人分离模块 SpeakerDiarizer，基于 NVIDIA Streaming Sortformer，最多跟踪 4 位说话人。
匹配字段标题
Cartesia 推出 Managed Agents 端到端语音智能体平台，面向企业通话场景，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，该平台取得 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。
匹配字段标题
ElevenLabs 发布用户指南，解释对话式 AI 的轮次转换（turn taking）：模型需在回复、保持发言、倾听沉默三种动作间切换，靠自适应计时、VAD 与语义分析判断用户是否说完，而非依赖固定静音计时器。Eleven v4 Turbo 搭配 ElevenAgents 时，从请求到可听语音的中位延迟为 142 ms。工程团队可用响应延迟和打断率衡量对话流畅度。
匹配字段标题
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的语音大模型，支持 40 种语言、单次最长 1 小时音频，可通过文本指令选择逐字、书面、说话人标注、上下文和翻译等输出形式。模型总参数约 34B、激活参数约 4.3B，采用混合 Mamba-Transformer MoE 架构，BF16 可在单张 H100 80GB 上运行，NVFP4 版本约 21GB 可在 RTX 5090 上运行。NVIDIA 自报其在 9 个公开英文 Open ASR 测试集上平均 WER 为 4.71%，为开源权重模型最好成绩，但商业 API 仍领先；短板是仅支持离线，中文远场会议 cpCER 为 34.95%。
匹配字段标题
AssemblyAI 发布首款文本转语音模型 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。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 ms，但 Cekura 独立基准测得流式延迟 159 ms、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。
匹配字段标题
Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，只用人声对话音频训练，未使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行，速度快于实时；训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），目前未公布基准分数、参数量、权重、论文或 API。
匹配字段标题
Databricks 提出语音智能体的价值不在能对话，而在结合上下文、本体和治理数据实时理解来电者并执行规则。其原型用 LiveKit 承载通话、Deepgram 做语音转文字与默认语音、ElevenLabs 提供表现力语音，并可将通话交给人工。智能体运行在客户数据所在处，通过只读查询连接订单、忠诚度和 CRM 系统，并以 DIVA blueprint 作为下一个场景的起点。
匹配字段标题
Alex 是一个完全 DIY 的 AI 语音助手，仅用一块无 PSRAM 的 ESP32-D0WD-V3 开发板配合 INMP441 麦克风、MAX98357A 功放和 SSD1306 OLED，就实现了语音采集、Whisper 转录、GPT 生成回答和 TTS 流式播放的实时闭环。项目把 OLED 动画放在第二个核心的独立 FreeRTOS 任务上，避免每次 1 至 3 秒的 HTTP 调用卡住画面。调试中还解决了 TLS 握手连续内存不足、SSD1306_EXTERNALVCC 供电模式错误和 TTS 语速过快等问题。
匹配字段标题
arXiv 预印本《When AI Tutors Speak》研究在线 MBA 金融课发现，语音导师带来更多对话互动，但每周掌握度在 ±0.3 个标准差的设定范围内与文本无显著差异，语音交付成本约为文本的 2.8 倍。研究由 Shihao Yang、Marshall Van Alstyne 和 Chrysanthos Dellarocas 完成，86 名学生随机分组，最终 29 名受辅导学生参与模态分析，结果受样本流失和评估方式限制。
匹配字段标题
Rivian 在 2026 年第三季度财报中披露，已通过 Rivian and VW Group Technology 合资公司向大众集团授权其 AI Voice Assistant 技术，作为双方电气架构与软件合作的一部分。Rivian 当季软件与服务收入 6.05 亿美元、同比增长 45%，其中 3.54 亿美元（59%）来自该合资公司。Rivian Assistant 已于 2026 年 10 月登陆 R2，并通过 OTA 更新加入 Gmail 集成。
匹配字段标题
Anthropic 升级 Claude 移动应用，iPhone 版语音模式现已支持 Apple CarPlay，用户可在驾驶途中直接向 Claude 提问。Claude 在网页、桌面、iOS 和 Android 端新增 24 种语言，累计支持 33 种语言，语音模式响应更快、嘈杂环境识别更准。iOS 与 Android 版还支持多账号同时登录并直接切换。
匹配字段标题
DingTalk A1 豆蔻医生版将 A1 的语音记录与 AI 纪要能力同豆蔻的医学循证能力结合，医生整理完病例讨论或讲座内容后，还能围绕未解决的医学问题查询文献、指南和专家共识。一位杭州三甲医院妇科主任反馈，手术日可先录下特殊情况和判断，下手术后再整理，复杂门诊则用豆蔻医生查看文献和指南链接。现阶段它更像能录音、提炼、查文献的随身专业助理，而非重构医院 IT 系统。
匹配字段标题
Anthropic 升级 Claude 移动应用，iPhone 版语音模式现已支持 Apple CarPlay，用户可在驾驶途中直接向 Claude 提问。此次更新还让 iOS 与 Android 版支持多账号同时登录并直接切换，Claude 新增 24 种语言、累计支持 33 种语言，语音模式响应更快、嘈杂环境识别更准确。
匹配字段标题
ElevenLabs 在首届印度峰会上与印度卡纳塔克邦政府签署 MoU，探索将语音 AI 用于市民服务、语音安全与声音恢复。合作将率先从申诉处理、公共热线和福利申领试点切入，覆盖卡纳达语及平台已支持的另外 13 种印度官方语言。ElevenLabs 还将部署涵盖深度伪造检测、水印、授权和声音克隆限制的安全框架，并通过 One Million Voices 计划为符合条件的居民提供免费终身语音重建许可。
匹配字段标题
ElevenLabs 宣布与西班牙 ALS 协会 adELA 合作，让西班牙确诊 ALS 的患者免费使用其语音复原与保存技术，这是 ElevenLabs Impact Program 在西班牙的首个项目，西班牙也是首个通过全国性患者协会提供该技术的国家。患者若语音尚未明显变化可录制新样本，若已变化则可上传旧录音来生成自己的数字声音。据估计西班牙约有 4000–4500 名 ALS 患者，其中许多人最终会失去说话能力。
匹配字段标题
Cartesia Managed Agents 在 Artificial Analysis Speech Agent Arena 上取得 1115 的 Elo，比此前的 Cartesia Line（1017）高 98 分，任务成功率从 77.5% 升至 91.7%。该平台是 Cartesia 的全托管语音智能体方案，由自研 Ink 语音转文字与 Sonic 文字转语音模型围绕开发者自选 LLM 级联运行，本次评测使用 GPT-5.5 与 Skylar、Daniel 两个音色。需要工具调用的智能体任务上 Elo 为 1112。
匹配字段标题
ElevenLabs 对英美等多国购物者的三项研究显示，让购物者先实际使用 ElevenLabs 语音智能体再作答时，近半数选择“说并听回复”，约 30% 选择“说并看屏幕文字”，六类购物任务中语音均居首。未试用过的受访者中，打字偏好以超过 4:1 领先语音。问题越严重购物者越不愿交给智能体，错误扣款场景仅 34% 选择智能体，若智能体失败一次则有 61% 要求转人工。
匹配字段标题
ElevenLabs 发布实用指南，介绍如何把语音转文字、LLM 和文字转语音串成实时管线来构建 AI 语音助手。指南建议将往返响应控制在 500 ms 以内并配合 VAD，同时接入内部知识库与业务工具，并设置口头确认和转人工等安全措施。开发者可直接用 ElevenAPI 搭建，或用 ElevenAgents 托管平台配置并上线。
匹配字段标题