MiniMax M3.1 Flash 与 SGLang Omni 组合，用于构建可实时打断、纠正和重定向的语音智能体。M3.1 Flash 提供快速简洁的响应能力，SGLang Omni 补充流式输出、对话状态与打断处理。有开发者将原 Qwen3-ASR → Qwen3 LLM → Qwen3-TTS 管线中的本地 LLM 替换为 M3.1 Flash API，其余不变，实测响应快、回答简洁直接。
匹配字段标题、摘要
HeyGen Voice Turbo 在 Artificial Analysis 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。其价格为 $4/1M 字符，是榜单最低，比前代 HeyGen Voice 的 $30/1M 字符便宜 7.5 倍。
匹配字段标题、摘要
Sierra 发布 𝜏-i18n，将 𝜏-Voice 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，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 还单独报告交互指标（响应时机、选择性、工具调用效率）和生成质量（自然度、语音保真度），并已开源代码库和语言包框架 LanguageFactory。
匹配字段标题、摘要
ElevenLabs 发布教程，介绍如何用 Python 和 TypeScript 将文本转语音 API 集成到应用：创建 API key、安装 ElevenLabs SDK、向 TTS 端点发送文本并指定音色与模型，再播放返回音频。示例使用 eleven_v4 模型，也可选低延迟的 Eleven Flash v2.5；Voice Library 提供超过 17,500 种音色，默认输出 mp3，也可切换 ulaw 或 pcm。
匹配字段标题、摘要、正文
Acuity Health 基于 LiveKit 构建定制语音智能体，80% 的来电由 AI 智能体完整处理，多数预约在 1 分钟内完成，81% 的预约通话以“谢谢”结束。其智能体通常运行在 LiveKit Inference 上优化的 Gemma 3 27B 模型，并配合针对不同患者群体调优的轮次检测模型，支持语音与文本，并接入呼叫中心工具、任务管理软件、分析服务商和 EMR 系统。团队此前受限于低代码平台，改用 LiveKit 后一周内做出可用原型、一个月内进入开发环境，并借助 LiveKit Simulations 在每次变更上线前做场景压测。
匹配字段标题、摘要
IBM 在 Hugging Face 发布 granite-speech-5.0-2b、granite-speech-5.0-470m-turboctc 和更新版 granite-speech-4.1-2b-plus 三款语音模型，均以 Apache 2.0 许可开源。granite-speech-5.0-2b 支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并可在这些语言与英语之间互译，另支持英语译成意大利语和中文，训练数据含 39 万小时公开音频；Turbo CTC 版本扩展到七种语言并原生输出标点与大小写，在 Open ASR Leaderboard 上达到 19,870 RTFx，约为发布时的 1.6 倍；4.1-2b-plus 侧重多说话人长音频，说话人分离 WDER 与 cpWER 均下降 7%，长语音 WER 下降 24%。
匹配字段标题、摘要
Ethan Mollick 认为，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。
匹配字段标题、摘要、正文
ElevenLabs 发布实时语音翻译模型 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、摘要
ElevenLabs 发布 Eleven Realtime Max 和 Mini 两款语音到语音模型。Eleven Realtime v1 Max 在 Big Bench Audio 上得分 98.8%，开口响应时间为 0.57 秒；Eleven Realtime v1 mini 面向低成本的自然对话场景优化。两款模型均已在 ElevenAgents 平台和 API 上线。
匹配字段标题、摘要
ElevenLabs 推出 Eleven Realtime 语音到语音模型系列，包含面向 AI 助手、教师等场景的 v1 Mini 和面向客服、线索筛选及多步骤流程的 v1 Max 两个版本。两款模型支持 90 多种语言和超过 17000 种音色，将语音识别、轮次切换、语音活动检测与语音生成整合为一个系统。在 Artificial Analysis 的评测中，Max 在 Big Bench Audio 上正确回答 98.8% 的问题，Mini 为 75.9%；Max 首音频平均耗时 0.57 秒，Mini 为 0.62 秒；工具调用任务上 Max 完成 87.1%，Mini 为 60.3%。Eleven Realtime 遵循 OpenAI Realtime 规范，开发者只需修改 API 端点和模型名即可迁移，但使用 WebRTC 的集成需改用 WebSockets。
匹配字段标题、摘要
Mistral 发布 Voxtral 3 语音模型家族，包含语音转文字与文字转语音模型。Voxtral Small Transcribe 3 在 Artificial Analysis Speech-to-Text 榜单上位列第 3，Voxtral 3 TTS 进入前 12。该系列支持 50 多种语言的转写，并提供 Pro Voice 语音适配，可通过 Mistral 的欧盟托管 API 使用或自托管。
匹配字段标题、摘要
OpenRouter 宣布 Mistral 的 Voxtral 3 已上线，该系列包含两个新的语音转写模型和一个新的语音合成模型，覆盖 50 多种语言。Mistral 官方称 Voxtral 3 的 Transcribe 与 Speech 模型为其新的语音智能体 API 提供支持。
匹配字段标题、摘要、正文
Mistral 联合创始人 Arthur Mensch 宣布发布一整套达到 SOTA 水平的语音模型，并附上链接 https://t.co/Ue1S72c9HW。他表示语音将成为 AI 系统最重要的交互界面，Mistral 将语音模型部署在物理位置上靠近推理模型。
匹配字段标题、摘要
Mistral 发布 Voxtral 3，包含 Transcribe 与 Speech 模型，用于支撑其新的语音智能体 API。联合创始人 Arthur Mensch 补充称，Voxtral 可在运行中完成说话人分离和轮次结束检测，既可部署在自有基础设施，也可使用 Mistral 的云端服务。
匹配字段标题、摘要
HeyGen 的 Professional Voice Clone 用 30 分钟到 2 小时的录音音频训练，保留呼吸、停顿、笑声、口音和元音发音。作者认为这一数据量是关键：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。HeyGen 称克隆结果无人能分辨出与你本人的区别。
匹配字段标题、正文
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 评测显示，Voxtral Small Transcribe 3 以 2.1% 的 AA-WER Index 在语音转文本榜单排第 3，领先 ElevenLabs Scribe v2 的 2.2% 和 Grok Voice Transcribe 2.0 的 2.3%；Voxtral 3 TTS 在 Provider Voice 榜以 Elo 1,218 排第 12（共 98 个），定价为 $13/1M characters。
匹配字段标题、摘要、正文
ElevenLabs 发布 Eleven Realtime，提供 Mini 和 Max 两个托管语音智能体模型，整合语音识别、推理、轮次切换与语音生成，但开发者无法单独选择或配置底层模型。外部测试机构 Artificial Analysis 的数据显示，Max 在 Big Bench Audio 上得分 98.8%，Mini 为 75.9%；工具调用任务完成率 Max 为 87.1%，Mini 为 60.3%，而 Mini 在 Full-Duplex-Bench 上以 95.8% 略高于 Max 的 94.1%。该接口沿用 OpenAI Realtime API 的协议和 WebSocket 传输，但仅支持 WebSocket，WebRTC 应用需先更换传输方式并自行处理 24kHz PCM16 音频的采集与播放。
匹配字段标题、摘要、正文
Mistral AI 发布 Voxtral 3，一套面向实时语音智能体的模型系列，包含语音转写模型 Voxtral Small Transcribe 3、文本转语音模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK，将听、思考、工具调用和说话整合进单一流式管线。转写覆盖 50 多种语言，语音合成支持 35 种以上语言和 50 种方言并带情感适配，智能体可在实时对话中调用外部系统，例如预约或查询发票。该系统可部署在自有基础设施或通过欧盟托管的 API 运行，转写定价为每分钟 0.0035 美元起。
匹配字段标题、摘要
ElevenLabs 发布两款语音到语音模型 Eleven Realtime，其中 v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间 0.57 秒。较小的 v1 Mini 面向低成本自然对话，能判断对方是说完还是只说“mm-hmm”，v1 Max 则面向客服等更复杂任务。两款模型可通过 ElevenAgents 平台和兼容 OpenAI 的 Realtime API 使用，按分钟加 token 计费，v1 Max 价格高于 v1 Mini。
匹配字段标题、摘要、正文
Vapi 于 10 月 8 日在旧金山湾租用游艇举办 Fleet Week 活动，30 多位语音 AI 构建者参加，Deepgram、Kouper Health 和 Coval 主持了炉边对话与技术工作坊。船上最受关注的话题是 GPT Live：跳过传统转录/合成可降低延迟、让对话轮转更流畅，但会牺牲对关键术语和脚本的精细控制。讨论焦点已从“语音 AI 能否对话”转向“如何让对话更自然”，具体包括 backchanneling、感知延迟与自然度衡量。
匹配字段标题、摘要、正文