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
Mistral 发布 Voxtral 3，包含 Transcribe 与 Speech 两类模型，官方称其为当前最优水平。这两类模型用于驱动 Mistral 新的语音智能体 API。
匹配字段标题
Mistral 发布 Voxtral 3 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 位列语音转文本榜第 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 1,218，98 个模型中排第 12，定价为 $13/1M characters。
匹配字段标题
Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转写模型 Voxtral Small Transcribe 3、支持 35+ 语言和 50+ 方言的合成模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音 Agent SDK，把听、推理、工具调用和说话串成一条实时流式管线，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 $0.0035/min；合成模型定价 $13/1M 字符，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 $0.04/min。
匹配字段标题
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，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。
匹配字段标题
燧石技术（Raythink）推出搭载DeepSeek大模型的智能体“小睿”，通过热成像仪硬件感知、AI算法模型与配套分析软件三维融合，实现对话式智能测温。用户可用语音完成参数设置、专业答疑和校准调整，小睿还同步入驻TI Studio PC客户端。燧石技术称这标志着其“软件硬件协同进化”战略落地。
匹配字段标题
Yelp 上线 Check for Me 功能，用户在餐厅页面输入用餐人数和电话号码后，AI 智能体会代其致电餐厅查询等位时间，并以短信回传结果。Yelp AI 助手同时接入 OpenTable 支持应用内订座，可记住历史对话偏好、查看过去 30 天聊天记录并设置自定义提醒。Yelp 还推出面向商家的付费产品 Smart Lead Reply，每月收费 $30，用于自动回复并筛选客户线索。
匹配字段标题
Scaled Cognition 发布文本转语音模型 Voice，支持 25 种以上语言和声音克隆，可通过 API 调用或自托管部署，主打账号、地址等细节的准确朗读。托管 API 定价为每百万字符 9 美元，自托管为每百万字符 1 美元（不含基础设施），公司称 500 万字符规模下含基础设施约每百万字符 13 美元，并宣称语音生成延迟为 70 毫秒。Voice 的 Smart Pronunciation 能力会先判断缩写和数字的含义再生成音频，例如把 Pay 1/2 by 1/2 读作 pay half by January second，且不依赖 APT 或其他大语言模型即可运行。
匹配字段标题
蚂蚁百灵（AntLingAGI）感谢 atomic.chat 将 Ming-3.0 接入本地 AI 工作流，让开源语音模型更易获取。据 atomic.chat 介绍，Ming-3.0 包含 5 个开源模型，覆盖说话、聆听和语音转写，其语音模型在 Artificial Analysis 的开源模型中排名第 1，最小版本仅 0.5B。
匹配字段标题
蚂蚁百灵开源了 5 个语音模型，覆盖 TTS、音频理解和 ASR，总参数量从 0.5B 到 126B（激活参数 6.5B）。vLLM 宣布 vLLM-Omni 在发布当天即提供 Ming-3.0 支持，蚂蚁百灵对此致谢并表示部署更便捷。
匹配字段标题
蚂蚁百灵（Ant Ling）发帖感谢 @AdinaYakup 分享 Ming-3.0，并帮助更多开发者了解其五款开源语音模型的能力。被引用的原帖提到蚂蚁集团刚发布了新的语音与音频模型。
匹配字段标题
法国招聘平台 Hippolyte.ai 在 Screen.ai 语音面试环节接入 ElevenLabs 语音合成，三周内完成 4,830 场语音预筛选面试、累计 272 小时对话，平均每场 3 分 23 秒，单日峰值 640 通。ElevenLabs 的语音处理在欧盟境内完成，双方签署 DPA，原始录音在转写后 24 小时内自动删除，以满足大客户的数据合规要求。
匹配字段标题
蚂蚁 inclusionAI 在 GitHub 开源 Ming-3.0-tts 语音合成模型，包含 0.5b 稠密模型和基于 Ling V3 的 tiny MoE 模型（7.9B 总参数、1.3B 激活参数），提供推理代码、任务 Cookbook 和评测表。模型支持声音克隆、文本设计音色、100+ 中文与 5 种英文内置音色、自然语言自由控制、14 种副语言标签，可合成中英德西法韩日及川渝话、广粤话。官方称在 Artificial Analysis 榜单上，Controlled Voice 开源模型第 1、Pronunciation Robustness 总榜第 1（93.2%）、Provider Voice 开源模型第 3。
匹配字段标题
日本演员协会（JAU）上周四发布生成式 AI 使用准则第一版，适用于所有借助 AI 复刻演员声音生成的音频，包括未经许可用于语音合成、深度学习、机器学习等场景。准则要求任何想复刻演员声音的主体在流程每一步都须取得当事人同意，AI 企业将演员声音用于训练须获表演者许可，经授权生成的语音被视为一类表演，企业需支付报酬或版税。为《龙珠》孙悟空配音的野泽雅子在接受 NHK 采访时称未经许可使用她的声音与盗窃没有区别，并提到听过的 AI 复刻声音没有情感。该工会约有 2600 名配音演员与演员会员，这份准则被称为日本首批针对 AI 语音录制的行业规范。
匹配字段标题
蚂蚁百灵开源 Ming-3.0 语音系列，包含语音合成、音频理解与对话、语音识别三个系列共五款模型，开发者可按任务选择或组合进工作流。Ming-3.0-tts 的 Voice Design 支持用文字描述目标音色，也可用参考音频设定音色，导演模式可说明台词的表演方式。Ming-3.0-audio-flash 与 tiny 可直接对长音频做转写、总结和观点分析并结构化输出，Ming-3.0-asr-tiny 已用于支付宝搜索、蚁小保实时语音对话等场景，Ling Studio 提供部分模型的 API 服务。
匹配字段标题
Deepgram 与 AWS 合作将 Nova-3 语音转文字模型移植到 Trainium2，单台 trn2.3xlarge 实例运行 8 个模型副本，在离线批处理场景下每美元处理的音频量比原有方案提升 11%–70%。团队用 TorchNeuron 完成 PyTorch 移植，并通过 NKILib 融合内核与手写 NKI 内核调优，其中 FFN 内核延迟降低 2.0x、depthwise conv1d 提速 1.5x，conv2d 内核解锁了 32 以上的批大小。
匹配字段标题
蚂蚁百灵开源 Ming-3.0 系列 5 个模型，覆盖 tts、audio、asr 三个语音家族。Ming-3.0-tts 包含 0.5B 的语音设计与副语言线索模型和 Tiny 7.9B A1.3B 长语音模型；Ming-3.0-audio 包含 Flash 126B A6.5B 理解与工具模型和 Tiny 9.3B A2.7B 高效对话模型；Ming-3.0-asr 为 Tiny 8.6B A2B，面向方言与上下文。
匹配字段标题
Ethan Mollick 表示新书明天正式发售，今天是获得预购赠品的最后一天。赠品是一段约 10 分钟的 AI 语音访谈，会根据书中观点生成个性化提示词、想法和阅读建议。
匹配字段标题
ElevenLabs 发布面向内容创作者的语音转文字工作流指南，介绍用语音转文字生成视频字幕、播客节目笔记、可搜索内容库和内容翻译。ElevenLabs Caption Generator 可生成带词级和字符级时间戳的转录文本，并导出 SRT 和 VTT 文件；Scribe v2 模型默认逐字转录，可在 Playground 开启“Clean Transcript”或通过 ElevenAPI 的 no_verbatim 参数切换为净化转录。
匹配字段标题
Google 开发者博客发布分步教程，介绍如何用 ADK 和 gemini-3.8-live 构建不会长时间静默的语音智能体。核心做法是把工具函数从 return 改为 yield 变成流式工具，或使用 FunctionTool 的 response_scheduling 在空闲时交付结果；在销售报表基准流程中，智能体首次开口时间从 14.4 秒降到 1.2 秒。教程还给出 stop_streaming 取消机制、防止重复调用以及 WHEN_IDLE、INTERRUPT、SILENT 三种调度模式的取舍，要求 google-adk >= 2.10.0 并使用 run_live 双向会话。
匹配字段标题