Sierra于2026年10月22日发布τ-Entity基准,用于测试语音智能体能否准确捕获、识别并修正姓名、电话、地址、邮箱等实体细节错误。该基准包含200个任务、覆盖十类实体,并设有六语言榜单。榜单显示,GPT Live 1在常规通话中正确率为60.3%,但在常规、强噪声、强语音三种条件下全部通过的任务仅占34.0%;Gemini 3.8 Live与Grok Voice Think Fast 2.0的全条件通过率分别为19.5%和24.0%。论文还发现,规定“询问—拼读/复述—确认修正—提交”流程可将全条件成功率提升14至31个百分点,代价是每通电话多花21至28秒。目前尚无后续发展。
匹配字段标题
MiniMax展示了将M3.1 Flash与SGLang Omni组合用于交互式语音智能体的方案。据其介绍,M3.1 Flash提供快速、简洁的响应能力,SGLang Omni则补充流式输出、对话状态与打断处理,使语音智能体可被实时打断、纠正和重定向。有开发者将原有Qwen3-ASR→Qwen3 LLM→Qwen3-TTS管线中的本地LLM替换为M3.1 Flash API,其余环节保持不变,实测响应快、回答简洁直接。目前该组合仍处于展示与开发者试用阶段,尚无后续进展披露。
匹配字段标题
MiniMax展示了将M3.1 Flash与SGLang Omni组合用于交互式语音智能体的方案。据其介绍,M3.1 Flash提供快速、简洁的响应能力,SGLang Omni则补充流式输出、对话状态与打断处理,使语音智能体可被实时打断、纠正和重定向。有开发者将原有Qwen3-ASR→Qwen3 LLM→Qwen3-TTS管线中的本地LLM替换为M3.1 Flash API,其余环节保持不变,实测响应快、回答简洁直接。目前该组合仍处于展示与开发者试用阶段,尚无后续进展披露。
匹配字段标题
HeyGen 发布语音模型 HeyGen Voice Turbo。Artificial Analysis 于 2026 年 10 月 22 日报道,该模型在受控语音 TTS 竞技场以 Elo 1,202 排名第一,超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场使用同一组 8 个克隆音色(4 个美式、4 个英式)评测,HeyGen Voice Turbo 在 46 个模型中居首,并在 Assistants 和 Entertainment 分类排名第一。报道还称其价格为每百万字符 4 美元,为榜单最低,比前代 HeyGen Voice 的每百万字符 30 美元便宜 7.5 倍。目前尚无后续发展事实。
匹配字段标题
HeyGen 发布语音模型 HeyGen Voice Turbo。Artificial Analysis 于 2026 年 10 月 22 日报道,该模型在受控语音 TTS 竞技场以 Elo 1,202 排名第一,超过前代 HeyGen Voice 的 1,196 和 Qwen-Audio-3.1-TTS-Plus 的 1,185。该竞技场使用同一组 8 个克隆音色(4 个美式、4 个英式)评测,HeyGen Voice Turbo 在 46 个模型中居首,并在 Assistants 和 Entertainment 分类排名第一。报道还称其价格为每百万字符 4 美元,为榜单最低,比前代 HeyGen Voice 的每百万字符 30 美元便宜 7.5 倍。目前尚无后续发展事实。
匹配字段标题
2026年10月22日,Sierra发布τ-i18n,将τ-Voice评测扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种语言,并沿用相同的航空、零售和电信任务、策略、工具与成功标准,以便跨语言比较。在2,700通主通话中,西班牙语、印地语、葡萄牙语的任务完成率平均分别落后英语2.4、3.8、6.4个百分点,韩语和普通话分别落后22.6和9.1个百分点,韩语是三个智能体中表现最弱的语言。除任务完成外,τ-i18n还单独报告响应时机、选择性、工具调用效率等交互指标,以及自然度、语音保真度等生成质量指标,并已开源代码库和语言包框架LanguageFactory。
匹配字段标题
Sierra 推出 𝜏-i18n
English translation is being prepared.
匹配字段标题
Ethan Mollick 提出一项判断:AI 应用中的语音界面也许终于能终结开放式办公室这一“怪物”,也可能只是让它变得更糟。他引用自己的研究指出,多项实验显示开放式办公室的背景噪音会降低分析性工作的能力、增加软件 bug,并削弱发现 bug 的能力。该判断于 2026 年 10 月 21 日发表,目前没有后续发展事实。
匹配字段标题
Matt Turck 转发并评论称,开源语音AI领域出现一套小型端侧SOTA文本转语音模型套件。相关消息显示,Gradium 开源了 Phonon 端侧语音合成模型套件,全部模型参数均在 50m 以下,主打多语言自然度与准确度,并称提供迄今最广的推理支持;其中 Phonon-31m 以 Apache 2.0 许可开放。目前该消息由 Matt Turck 转发,尚无更多后续发展。
匹配字段标题
Matt Turck 转发并评论称,开源语音AI领域出现一套小型端侧SOTA文本转语音模型套件。相关消息显示,Gradium 开源了 Phonon 端侧语音合成模型套件,全部模型参数均在 50m 以下,主打多语言自然度与准确度,并称提供迄今最广的推理支持;其中 Phonon-31m 以 Apache 2.0 许可开放。目前该消息由 Matt Turck 转发,尚无更多后续发展。
匹配字段标题
HeyGen 推出 Professional Voice Clone,其训练方式为使用 30 分钟到 2 小时的录音音频。相关报道指出,这一数据量是关键:短参考片段无法体现长句前的呼吸节奏或语速加快时的口音特征,而这些细微不规则正是听者判断声音是否属于真人的依据。报道还称,该克隆会保留呼吸、停顿、笑声、口音和元音发音;HeyGen 表示克隆结果无人能分辨出与本人的区别。目前该事实仅有这一篇报道作为证据,尚无后续发展。
匹配字段标题
2026年10月21日,Mistral发布Voxtral 3语音模型系列,包括一款文本转语音模型和三款语音转文本模型:Small Transcribe 3、Mini Transcribe 3、Mini Transcribe Realtime 3。Artificial Analysis的评测显示,Voxtral Small Transcribe 3以2.1%的AA-WER Index在语音转文本榜单排名第3,领先ElevenLabs Scribe v2的2.2%和Grok Voice Transcribe 2.0的2.3%;Voxtral Mini Transcribe 3以2.2%排第5。Voxtral 3 TTS在提供方音色竞技场Elo为1,218,在98个模型中排第12,定价为每百万字符13美元。目前尚无进一步的有证据发展。
匹配字段标题
Ethan Mollick 提出一项判断:AI 应用中的语音界面也许终于能终结开放式办公室这一“怪物”,也可能只是让它变得更糟。他引用自己的研究指出,多项实验显示开放式办公室的背景噪音会降低分析性工作的能力、增加软件 bug,并削弱发现 bug 的能力。该判断于 2026 年 10 月 21 日发表,目前没有后续发展事实。
匹配字段标题
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。
匹配字段标题
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。
匹配字段标题
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。
匹配字段标题
Arthur Mensch宣布发布一整套最先进的语音模型。据Mistral AI于2026年10月20日发布的信息,该语音模型家族为Voxtral 3,包含支持50多种语言的转写模型Voxtral Small Transcribe 3,以及支持35多种语言和50多种方言的合成模型Voxtral Mini TTS 3;同时提供基于LiveKit的语音Agent SDK,将听、推理、工具调用和说话串成实时流式管线,官方称每轮响应在1秒内完成。转写模型支持说话人分离、上下文偏置和轮次结束检测,Mini版本为4B参数,批量转写定价为每分钟0.0035美元;合成模型定价为每100万字符13美元,支持30分钟音频的语音克隆。该家族可通过Mistral的欧洲托管API或自部署使用,语音Agent API搭配Mistral Small 4推理时定价为每分钟0.04美元。
匹配字段标题
Arthur Mensch 发布 一整套最先进的语音模型
English translation is being prepared.
匹配字段标题
HeyGen 推出 Professional Voice Clone,其训练方式为使用 30 分钟到 2 小时的录音音频。相关报道指出,这一数据量是关键:短参考片段无法体现长句前的呼吸节奏或语速加快时的口音特征,而这些细微不规则正是听者判断声音是否属于真人的依据。报道还称,该克隆会保留呼吸、停顿、笑声、口音和元音发音;HeyGen 表示克隆结果无人能分辨出与本人的区别。目前该事实仅有这一篇报道作为证据,尚无后续发展。
匹配字段标题
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。
匹配字段标题