2026年9月14日,Cartesia发布了一份关于TTS模型与音色区别的指南。该指南指出,TTS模型与音色并非同一概念:固定说话人模型只接收文本输入,多说话人模型额外接收音色选择,零样本克隆模型则以参考音频作为提示词。指南还介绍了Cartesia的两种语音克隆方式:Instant Voice Cloning只需10到60秒音频即可克隆音色,专业语音克隆(PVC)则需用更大录音数据集微调模型,耗时可达数小时。目前该指南已由Cartesia产品与研究发布,暂无后续发展。
匹配字段标题
2026年9月11日,OpenAI在API中上线GPT-Live-1,供开发者构建语音应用。该模型采用新版ChatGPT语音所使用的双工技术,支持语音智能体在说话的同时持续聆听,并可搭配开发者自行选择的模型和工具体系。目前输入材料仅提供了此次上线信息,未说明后续更新或应用进展。
匹配字段标题
2026年9月10日,腾讯混元正式发布开源基础模型AuK,面向统一的语音生成与编辑。该模型采用自然语言指令加参考音频的单一接口,支持零样本TTS、指令控制生成、内容编辑、耳语转换、去口音、音色风格情感编辑、语速音高控制、增强降噪、多说话人分离与音乐分离。同日还发布了AuK-Flash,采用4步推理,在匹配条件下约快4.5倍。代码、权重与demo均已上线。
匹配字段标题
2026年9月7日,Allegro开始在三条配送支持热线部署基于ElevenAgents的语音智能体,首批覆盖Allegro Delivery、Allegro One和One Box,为超过2000万活跃买家全天候处理高频问题。系统采用多智能体架构,由不同智能体分别处理各类场景;需要转接人工客服时,可预先收集追踪号码并生成对话摘要。
匹配字段标题
2026年9月1日,LiveKit发布Connectors语音连接器,在LiveKit房间与Twilio Programmable Voice、WhatsApp Business Calling之间建立直连。通话以普通参与者身份进入房间,无需配置SIP trunk或网关。Twilio通话会带上call SID和自定义TwiML参数作为参与者属性,WhatsApp来电以手机号作为参与者身份;连接器通话与SIP、网页会话一样出现在LiveKit Cloud仪表盘中。Connectors已在LiveKit Cloud正式可用,连接器分钟计费与SIP相同,Ship为每分钟0.004美元、Scale为0.003美元,各套餐分别包含5、20、100路并发连接器通话。
匹配字段标题
2026年8月27日,Cartesia发布语音模型Sonic-3.6。该模型在15个地区的盲测中听众偏好度最高达93%,并在Artificial Analysis排行榜的controlled和provider voice两个榜单上均排名第一。Sonic-3.6支持44种语言,新增Odia和Urdu,并改进了口音保持和Hinglish代码切换能力。
匹配字段标题
2026年8月26日,LiveKit接入Grok语音模型,用于构建语音智能体。输入材料显示,此次接入全面支持ZDR。目前该故事处于活跃状态,材料未提供更多后续进展。
匹配字段标题
2026年8月24日,xAI开放Grok Voice Think Fast 2.0。该语音模型现已可通过API或xAI的Agent Builder使用,开发者可以利用相关入口构建、调优并部署语音智能体。目前输入材料未提供更多后续进展。
匹配字段标题
2026年8月25日,Starlink披露已采用Grok Voice处理客户支持和销售来电,每日处理量超过1.5万通。该系统可诊断硬件问题、安排寄送替换设备,并通过语音通话和聊天协助完成订单;目前每周完成的订单超过3000笔。
匹配字段标题
2026年8月24日,LiveKit 产品与工程博客发布一篇关于语音智能体短语音调试的技术指南。文章指出,语音智能体对“yes”“no”“ok”“42”等短语音无响应,常见原因在于语音转文字(STT)未生成 final_transcript 时回合无法关闭,而回合结束判定(EOU)需要 final_transcript 与 end_of_speech 同时具备。文章建议不要过度缩短 endpointing 延迟,并给出新增的 transcription_timeout 设置用于优雅恢复,同时提供排查噪声抑制误杀短语音的步骤。
匹配字段标题
Cartesia 发布 TTS模型与语音区别指南
English translation is being prepared.
匹配字段标题
腾讯混元 发布 AuK开源语音生成与编辑基础模型及AuK-Flash
English translation is being prepared.
匹配字段标题
Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。
匹配字段标题
Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。
匹配字段标题
LiveKit 发布 LiveKit Connectors
English translation is being prepared.
匹配字段标题
Cartesia 发布 Sonic-3.6语音模型
English translation is being prepared.
匹配字段标题
LiveKit 接入 Grok语音模型以构建语音Agent
English translation is being prepared.
匹配字段标题
Pydantic AI 发布 实时语音 Agent 支持
English translation is being prepared.
匹配字段标题
2026年8月26日,Pydantic AI 发布实时语音 Agent 支持。据其官方文章,该支持采用 speech-to-speech 方式,通过统一的 provider-agnostic API 接入 OpenAI Realtime、Azure OpenAI、Gemini Live 和 xAI Grok Voice,中间不再有转写、生成、合成的流水线。语音会话复用同一个 Agent 对象,服务端工具、消息历史和 API key 都留在后端;浏览器场景可用 WebRTC 直连并在服务端以 sideband 接入,目前浏览器 WebRTC 支持 OpenAI 和 Azure OpenAI。语音与文本共享同一份消息历史,可把通话交给文本 Agent 做结构化抽取,也可用 message_history= 为语音会话续接此前的文本对话;会话的 token 用量、usage_limits 和 OpenTelemetry 追踪与文本运行一致。目前尚无后续发展事实。
匹配字段标题
xAI 开放 Grok Voice Think Fast 2.0
English translation is being prepared.
匹配字段标题