Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段摘要
少数派作者结合自己做播客的剪辑困惑，从认知心理学和神经科学角度解释人耳与大脑如何处理语音。文章指出声学信号在物理层面是连续、彼此渗透且千差万别的，大脑依靠类别知觉、语音分割、统计学习和语境预测把声音加工成离散的词语，并会整合视觉信息（如麦格克效应）。作者据此说明剪辑点为何难找，建议保留发音冗余、不要切得太精细。
匹配字段摘要、正文
7/8 📝 在 Google Meet、Teams、Zoom 或语音采集仍在进行时跟随笔记，然后在独立标签页中打开保存的转录。转录可能有延迟，生成的笔记使用你配置的模型并按其常规收费。
匹配字段摘要
Vapi 三位产品工程师在 9 月 22 日的网络研讨会上演示了今年发布的三项新功能：Model Intelligence 提供按成本、速度或智能调优的模型预设，并为每个模型标注成本、延迟和质量指标；Simulations 用可自定义的 AI 测试者与语音智能体完整对话并返回通过/失败结果、转录和录音；Campaigns 支持最多 10,000 个联系人的外呼名单。团队还集中回答了关于转录准确率、LLM 评判可靠性和并发限制的提问。
匹配字段摘要
ElevenLabs 联合创始人兼 CEO Mati Staniszewski 在采访中透露，公司 ARR 达 6 亿美元，55% 以上来自企业客户，投资方对其估值据报道达 220 亿美元。他表示不介意毛利率被进一步压缩以换取市场份额，并认为当下企业应披露对话方是 AI 智能体。Klarna、Deutsche Telekom、Cisco、Adobe 及多国政府均在使用其语音模型。
匹配字段摘要
Google 开始测试名为 Call for Me 的新功能，让 Gemini 代替用户给商家打电话。该功能首批面向美国付费订阅 Gemini 的 Pixel 11 用户，并需使用 Google Phone 应用的 beta 版本。Gemini 可在通话中分享用户批准的个人信息，处理查询库存、餐厅订位、改约、预留商品等任务，能自我介绍、应对自动语音菜单、等待接通并完成对话，用户可实时查看通话转写并随时接管，通话直接使用用户本人的手机号码拨出。
匹配字段摘要
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 <laughs>、|mhm| 等自然提示，连续生成数小时无故障音频。Flash TTS 面向游戏、有声书和播客等高保真创意制作，Flash-Lite TTS 面向近实时语音智能体、批量配音和规模化音频生产。
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 、|mhm| 等自然提示，连续生成数小时无故障音频。Flash TTS 面向游戏、有声书和播客等高保真创意制作，Flash-Lite TTS 面向近实时语音智能体、批量配音和规模化音频生产。
匹配字段摘要
Meta 在 Connect 2026 上公布 Meta Ray-Ban Display 的多项更新，包括语音免手导航、通话用个性化全息形象、眼镜端 Explore 应用，以及日历、通知镜像和 Threads 社区信息流等功能。导航新增骑行与实时公交方向，本月晚些时候在美国和加拿大上线；全息通话今年秋季晚些时候在美国以 WhatsApp 早期体验形式推出。产品同时扩展至英国、加拿大、法国、意大利和德国，加拿大与英国今日开售，法国、意大利和德国今日起陆续开启预订，10 月 13 日正式发售。
匹配字段摘要
Meta 发布 Meta VR Glasses，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。
匹配字段摘要
Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两款模型，共五款模型覆盖音频理解、生成、交互与创作。ASR-Next 支持带说话人标签、时间戳的多说话人识别，还能理解情绪、环境音与机器声，用于声音描述、事件定位和音频问答；TTS-Next 采用 LM 加扩散模型统一框架，一次生成语音、音效与背景音，面向有声书、播客、游戏和广告。官方同时公布全线降价，TTS 约降 70%、Realtime 约降 85%、ASR 最高降 95%，更多 API 即将上线。
匹配字段摘要
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持从零生成自定义角色声音并逐句控制口音与情绪，已接入 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids。Gemini 3.8 Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分位列第一，口音建模得分 60.8，两款模型分列 Hume AI Overall Quality Index 第一和第二，支持超过 100 种语言。声音复刻需提供声音所有者的口头同意录音，所有生成音频均嵌入 SynthID 水印。
匹配字段摘要
Jev 现已向所有人开放，它不同于常规 LLM，面向构建者、设计为在工具内部使用，可回答“这是广告吗”“该归入哪个文件夹”“相关度多少”这类问题。人们已用它做 YouTube 赞助片段跳过、实时过滤负面评论、按意图搜索 Gmail、语音控制 Mac 等。作者也提醒，把 Jev 接入编码智能体做即时压缩并不划算，会损失 prompt caching 的成本节省。
匹配字段摘要
Jev x Tripo x Astra 实战演示。 展示了使用 Tripo P2.0 生成 3D 资产和 VRM 模型，并结合 Jev 驱动语音激活战斗与逻辑的流畅工作流。 可玩 demo 链接见下方推文。 ↓
Jev x Tripo x Astra 实战演示。 展示了使用 Tripo P2.0 生成 3D 资产和 VRM 模型，并结合 Jev 驱动语音激活战斗与逻辑的流畅工作流。 可玩 demo 链接见下方推文。 ↓
匹配字段摘要
Qwen 发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降到 2.3s，并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离，可在多方语音中区分说话人并通过更稳定的声音克隆保留各自音色；双语同步显示，原文与译文同屏呈现；长上下文消歧，利用对话历史澄清人名和术语以保证译文一致。模型已在 QwenCloud 上线，官方同时给出博客和案例链接。
匹配字段摘要
Qwen 发布下一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度与简洁度。新增能力包括实时说话人分离，可在多方语音中区分说话人并通过更稳定的声音克隆保留各自音色；双语同步显示，原文与译文同屏呈现；长上下文消歧，利用对话历史澄清人名和术语以保证翻译一致。官方同时给出博客与 QwenCloud 试用入口。
匹配字段摘要
xAI 发布 Grok Voice Transcribe 2.0，称其在客服通话、口述凭证和短语音指令三类场景中的准确率是上一代的两倍。官方未披露具体评测数据或可用入口。
匹配字段摘要
David Singleton 表示，Muse 在 iOS 上的操作按钮集成是让 Muse 替你做事最快的方式，甚至可以直接从锁屏使用，并称其“太棒了”。被引用的帖子则介绍该快捷方式会自动打开语音转写，按住说话、再按发送，可仅用操作按钮与 Muse 连续对话。
匹配字段摘要
David Singleton 长期在 Mac 上使用 Muse 应用，最喜欢四点：按 ⌥–Space 可在任意应用中唤起 Octavian 助手；按住 fn 可向任意应用进行 SOTA 语音听写，快捷键可配置；Muse 还能接入电脑上的消息应用帮他跟进消息；角落的 bot 状态胶囊会显示 Octavian 代他做了什么。他同时询问其他人用 Mac 版做什么。
匹配字段摘要
LiveKit 推出 Startup Program，为符合条件的早期创业公司提供约 23,000 美元总价值：7 家合作方的 7,000 美元推理积分、10,000 美元 LiveKit Cloud 积分，以及一年免费的 Cloud Scale 计划（原价 500 美元/月）。推理积分通过 LiveKit Inference 使用，覆盖 LiveKit Gemma 4 31B、Deepgram、Inworld、Rime、Fish Audio、AssemblyAI 和 Gradium，无需单独创建账号或管理 API key。申请门槛为员工少于 50 人、融资低于 500 万美元，且将语音、视频或物理 AI 作为产品核心。
匹配字段摘要
ElevenLabs 旗下 ElevenAgents 推出 AI 前台 Reception，面向小企业全天候接听来电、回答业务问题并在日历中预约。它内置 ElevenLabs 语音与智能体编排，几分钟即可完成设置、无需技术经验，可转发现有业务电话或使用专用号码，并提供通话摘要、转录和录音。
匹配字段摘要