Zyphra 发布 Zonos-v0.1 beta，包含两款 1.6B 文本转语音模型，分别为 transformer 和 SSM hybrid，均以 Apache 2.0 许可开源，权重已上线 Hugging Face，推理示例代码在 GitHub。模型基于约 20 万小时语音数据训练，支持 5 至 30 秒音频的高保真语音克隆，可调节语速、音高、音质和情绪，原生输出 44KHz 音频。Zyphra 称其生成质量可媲美或超过领先的闭源 TTS 模型，并给出 API 每分钟 0.02 美元的定价。
匹配字段摘要
Cartesia 宣布完成 2700 万美元种子轮融资，由 Index Ventures 领投，Lightspeed、Factory、Conviction 等参投。公司基于 S4 和 Mamba 等新架构开发实时智能模型，已推出语音生成模型 Sonic，并预览了新的端到端语音模型，可精细控制文本以减少幻觉。
匹配字段摘要
Cartesia 宣布 Sonic Multilingual 新增 8 种语言 Alpha 版，包括印地语、意大利语、韩语、荷兰语、波兰语、俄语、瑞典语和土耳其语，支持语言总数达 15 种。该模型基于状态空间模型架构，提供低延迟、高对话质量的语音生成，并支持语音设计。用户可通过 API 或应用选择 sonic-multilingual 模型使用。
匹配字段摘要
Sarvam AI 发布翻译模型 Sarvam Translate（Mayura），支持 10 种印度语言，专门针对口语化表达和英印混用（code-mixing）场景训练，而非仅依赖报纸、书籍等正式语料。该模型还提供第一人称翻译的性别切换功能，并利用印度语境数据正确处理第二、第三人称敬语形式，可用于构建口语化 LLM 语音聊天机器人及领域技术文档翻译。
匹配字段摘要
Sarvam AI 发布 Bulbul v1，一款支持 10+ 语言的代码混合多语言文本转语音（TTS）模型，提供 Meera、Arvind、Maitryee、Amol、Pavithra、Amartya 六种音色。该模型采用单一紧凑多语言架构，支持跨语言音色一致，可处理 Hinglish 等代码混合输入、领域术语、专有名词和缩写，面向客服、金融、医疗、电商、有声书等场景。
匹配字段摘要
Sarvam AI 发布全栈生成式 AI 平台，支持 10 种印度语言并具备语音能力，同时推出 Sarvam Agents、Sarvam 2B、Shuka 1.0 等产品。Sarvam Agents 可通过电话、WhatsApp 或应用内调用，语音智能体价格从每分钟 1 卢比起。Sarvam 2B 称是印度首个开源 2B 小规模 Indic LLM，基于 4 万亿 token 内部数据集从零训练；Shuka 1.0 为基于 Llama 8B 扩展的开源 AudioLM，支持印度语言语音输入与文本输出。
匹配字段摘要
印度生成式 AI 初创公司 Sarvam AI 完成 4100 万美元 A 轮融资，由 Lightspeed 领投，Peak XV Partners 和 Khosla Ventures 参投，这是印度 AI 初创公司在该阶段规模最大的融资。公司计划打造覆盖模型训练到企业级部署的“全栈”能力，重点支持印度多种语言和语音优先界面，并与印度企业共建领域专属模型。
匹配字段摘要
Replit 在 Andreessen Horowitz 办公室举办 Bring Your Idea to Production 活动，帮助开发者把原型变成生产级 Web 应用，现场共有 15 个项目演示。Unfathom AI 用 Replit Static Deployments 一键部署静态站点，Shower Thoughts AI 把语音笔记转成摘要和任务并发送到邮箱，TelCal 是可在 Telegram 上管理 Google Calendar 的机器人，无编程经验的 Cassie Chao Leemans 也用 Replit 模板和 Static Deployments 上线了 Link-in-Bio 页面。
匹配字段摘要
Steve Moraco 借助 Replit 构建了 iPhone 数字助手 DATA，通过 Apple Shortcuts 用语音调用 OpenAI GPT 替代 Siri，并集成 Apple Maps、Mail、Calendar 与 Notion。DATA 内置 Data Mems 设备端长期记忆、Whisper 音频转写等快捷指令，仅需手机号和 OpenAI API key 即可完成设置。该服务在几个月内做到超过 216,000 美元 ARR。
匹配字段摘要、正文
Lilian Weng 在 WiMLDS x Fintech meetup 演讲整理的文章中，以 2016 年 AlphaGo 以 1-4 击败九段李世石为引，解释深度学习为何在当下兴起：数据量大幅增长与算力显著提升，使深层神经网络能自动学习复杂非线性特征。文章随后介绍了 CNN（受视觉皮层 V1/V2/V4 启发，含 Residual Net）与 RNN 两类经典模型及其在语音识别、机器翻译等任务中的应用。
匹配字段摘要
Meta于2026年11月6日宣布,在Muse应用中推出语音和表情虚拟形象功能。用户点击右上角电话图标即可开始实时对话,并可在对话中打断。该功能先在美国上线,覆盖移动端、网页和Mac,提供数百种声音可选,虚拟形象会随对话做出表情和手势。Meta表示,语音对话还将登陆AI Glasses和Muse Charm,相关技术为Muse Realtime Avatar与Muse Realtime Voice。
匹配字段标题
Meta于2026年11月6日宣布,在Muse应用中推出语音和表情虚拟形象功能。用户点击右上角电话图标即可开始实时对话,并可在对话中打断。该功能先在美国上线,覆盖移动端、网页和Mac,提供数百种声音可选,虚拟形象会随对话做出表情和手势。Meta表示,语音对话还将登陆AI Glasses和Muse Charm,相关技术为Muse Realtime Avatar与Muse Realtime Voice。
匹配字段标题
2026年11月5日,Hugging Face发布端侧TTS模型Phonon,提供约65 MB和75 MB两个尺寸,覆盖英语、法语、德语、西班牙语和葡萄牙语,内置100多个音色。其中Phonon 31m仅支持英语,以Apache 2.0开源,可用于商业产品;Phonon 40m覆盖五种语言,采用非商业许可。官方称Phonon在Open TTS Leaderboard的德语和西班牙语可懂度排名第一,并在CPU流式首包延迟基准上领先,配套推理框架ptts支持CPU、GPU和NPU等10余种后端。同日,Unite.AI报道称,Gradium发布技术跟进说明,称Phonon上线两周下载量超过20万次,并给出95分位CPU首音延迟数据:Phonon 31m英语为28毫秒,Phonon 40m英语为38毫秒,Pocket TTS为165毫秒;该报道还称开放权重于10月20日发布。
匹配字段标题
2026年11月5日,Hugging Face发布端侧TTS模型Phonon,提供约65 MB和75 MB两个尺寸,覆盖英语、法语、德语、西班牙语和葡萄牙语,内置100多个音色。其中Phonon 31m仅支持英语,以Apache 2.0开源,可用于商业产品;Phonon 40m覆盖五种语言,采用非商业许可。官方称Phonon在Open TTS Leaderboard的德语和西班牙语可懂度排名第一,并在CPU流式首包延迟基准上领先,配套推理框架ptts支持CPU、GPU和NPU等10余种后端。同日,Unite.AI报道称,Gradium发布技术跟进说明,称Phonon上线两周下载量超过20万次,并给出95分位CPU首音延迟数据:Phonon 31m英语为28毫秒,Phonon 40m英语为38毫秒,Pocket TTS为165毫秒;该报道还称开放权重于10月20日发布。
匹配字段标题
2026年11月4日,LiveKit产品与工程博客发布文章,介绍Clerk AI采用LiveKit开源框架与LiveKit Cloud支撑企业级语音智能体。文章称,Clerk AI借助LiveKit的开源框架和全球边缘网络,将企业语音智能体扩展到1,000+并发通话且无需预配置,响应时间低于500ms。其ScreenSense在Apple和Android设备上的来电筛选检测准确率达97%,TrueReach语音信箱检测准确率超过98%。平台原生支持30+语言并可在对话中自动切换,已获SOC 2 Type II认证并内置TCPA合规能力。目前尚无后续发展事实。
匹配字段标题
2026年11月4日,LiveKit产品与工程博客发布文章,介绍Clerk AI采用LiveKit开源框架与LiveKit Cloud支撑企业级语音智能体。文章称,Clerk AI借助LiveKit的开源框架和全球边缘网络,将企业语音智能体扩展到1,000+并发通话且无需预配置,响应时间低于500ms。其ScreenSense在Apple和Android设备上的来电筛选检测准确率达97%,TrueReach语音信箱检测准确率超过98%。平台原生支持30+语言并可在对话中自动切换,已获SOC 2 Type II认证并内置TCPA合规能力。目前尚无后续发展事实。
匹配字段标题
2026年10月30日,Edge0发布开源权重语音克隆TTS模型Audio8-TTS-Realistic。据MarkTechPost报道,该模型参数规模为601M,支持23种语言,权重与代码以Apache 2.0发布。模型只需1段参考音频及对应文本即可零样本克隆音色,也可在无参考音色时直接生成语音。自报结果显示,其在CV3九语言上平均错误率为4.86%,低于Qwen3-TTS-1.7B的7.73%;但在MiniMax基准上落后于4B级模型,泰语WER达48.57%。目前尚无后续进展。
匹配字段标题
2026年10月30日,Edge0发布开源权重语音克隆TTS模型Audio8-TTS-Realistic。据MarkTechPost报道,该模型参数规模为601M,支持23种语言,权重与代码以Apache 2.0发布。模型只需1段参考音频及对应文本即可零样本克隆音色,也可在无参考音色时直接生成语音。自报结果显示,其在CV3九语言上平均错误率为4.86%,低于Qwen3-TTS-1.7B的7.73%;但在MiniMax基准上落后于4B级模型,泰语WER达48.57%。目前尚无后续进展。
匹配字段标题
2026年10月29日,AssemblyAI推出首个文本转语音模型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。据MarkTechPost报道,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毫秒,但Cekura独立基准测得流式延迟159毫秒、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。同日,Artificial Analysis的Provider Voice Arena评测显示,AssemblyAI-TTS-1以Elo 1227排名第12,发音鲁棒性得分81.7%排名第16,生成速度为每秒162字符。当天晚些时候,OpenRouter宣布AssemblyAI-TTS-1已上线,面向语音智能体场景,可从美国或欧盟节点提供服务。
匹配字段标题
Rime发布面向AI语音智能体的语音到语音模型Prism。据Testing Catalog报道,Prism在开口前先把每条回复写成文本,企业可以编辑转写内容并拦截智能体不该说的话。该模型同时保持通话不中断,并能在对话中查询账户或冻结卡片。Rime称没有其他语音到语音模型采用这种方式,因此Prism更适合银行等受监管企业。目前尚无后续发展信息。
匹配字段标题