2026年10月2日,Tavus推出名为Griffin的Human Interaction Model,可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。Tavus研究显示,48%的参与者在一次一分钟视频通话后认为Griffin是真人,此前系统最高为2%。在Tavus称为Nvidia独立测试的拟人度评分中,Griffin得3.83分,真人为3.92分,此前最佳AI模型为2.80分。名为Griffin-Lite的预览版已向部分测试者开放,能力更强的版本将在安全问题解决后推出。另一报道称,该模型目前仅向可信测试者开放,公开推出前将继续完善安全与披露功能。
匹配字段摘要
Google于2026年10月1日在兼容Android设备上为Gemini Live推出Guided Vision(引导视觉)功能,用户共享摄像头即可获得实时语音描述和取景提示。据Google Blog介绍,该功能与盲人和低视力社区共同开发,Google与Aira合作处理了数万小时视觉解读数据,超过1000名Aira测试者参与压力测试与安全护栏评估。Google说明它属于辅助工具,可能出错,不是医疗设备、行动辅具或白手杖替代品,也不用于导航和避障。目前尚无后续发展事实。
匹配字段摘要
2026年10月1日,助听科技初创公司Legato宣布其旗舰AI助听眼镜Legato Frames正式开售,起售价999美元,面向轻中度听力损失成年人。该产品将助听技术集成于镜腿,用AI区分人声与背景噪声并放大语音,双扬声器系统将声音导向佩戴者,耳外几英寸处声音可降低99%。全部处理在眼镜端完成,不含摄像头与录音,整机含镜片重34克,续航10-12小时,提供三种款式并支持处方镜片与蓝牙音频。Legato由前Bose高管Mehul Trivedi和Steve Romine于2024年创立,此前完成1200万美元融资。目前尚无后续发展事实。
匹配字段摘要
2026年10月1日,ElevenLabs正式进入荷兰市场,在阿姆斯特丹开设办公室,并任命Goswijn Thijssen领导当地团队。据其官方博客同日发布的信息,公司计划今年将荷兰团队规模扩大两倍。该消息还提到,荷兰最大电信公司KPN部署其语音智能体后,邮编识别准确率从64%提升至82%,智能体已扩展至每周约6万通电话、成功率62%;目前平台上有100个荷兰语声音,客户已生成超过2亿条音频片段。目前尚无后续发展事实。
匹配字段摘要
2026年9月30日,Hugging Face发布Open TTS Leaderboard,面向多语言TTS与语音克隆提供可扩展评测。据Hugging Face介绍,该榜单默认按Seed TTS Eval英文集与CV3 Eval(zero shot)的宏平均WER排名,hexgrad/Kokoro-82M、Supertone/supertonic-3和fishaudio/s2-pro领先。榜单支持多语言切换,中日韩使用CER,并提供语音克隆对比与SIM说话人相似度列;同时新增Streaming标签页按TTFA排名,kyutai/pocket-tts在GPU和CPU上表现突出。目前尚无后续发展事实。
匹配字段摘要
2026年9月30日,Live Voice Chat全面推送至所有Pro移动端用户。据代表来源报道,实时语音聊天现已100%向移动端所有Pro用户开放,并邀请用户反馈使用体验。目前尚无后续发展事实,事件状态为已全面推送。
匹配字段摘要
2026年9月29日,Suno 宣传 Suno Studio 的语音转换功能,称用户可以录下自己的声音,把它变成任何东西。Suno 在当日发布的说明中举例表示,电吉他只是开始。目前该功能尚无后续发展事实,官方与代表性证据均来自 Suno 同一发布内容,未提供更多细节。
匹配字段摘要
演员亨利·卡维尔与谷歌合作,将使用新款高性能笔记本 Googlebook 从零打造一款电子游戏。据谷歌博客 2026 年 9 月 29 日发布的消息,该游戏计划于今年 11 月制作。Googlebook 搭载 Gemini Intelligence,支持与 Android 手机同步的 Continue on phone、Rambler 语音转文字和 Antigravity 等功能。目前尚无后续开发进展的公开事实证据。
匹配字段摘要
2026年9月29日,Inception Labs发布扩散式推理语言模型Mercury 2,称其为全球最快的推理语言模型。该模型采用扩散式并行精炼而非自回归逐 token 解码,官方称生成速度提升超过5倍,在NVIDIA Blackwell GPU上达到1,009 tokens/sec。定价为每百万输入token 0.25美元、每百万输出token 0.75美元,支持可调推理、128K上下文、原生工具调用和schema对齐的JSON输出,并兼容OpenAI API,面向编码补全、智能体循环、实时语音和搜索RAG等延迟敏感场景,现已可用。同日,Inception Labs宣布Mercury 2上线Azure AI Foundry,目前在美国和加拿大区域提供。
匹配字段摘要
2026年9月23日,Google发布两款Gemini语音模型:Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS。据发布信息,两款模型支持用30秒音频复刻音色、用一句话描述设计新音色,并可逐行指定风格、笑声、叹气、副语言声音和双人场景;音色库可按语言、口音、性别、音高和角色筛选,复刻带同意校验,每条音频加SynthID水印,已在Gemini API和Google AI Studio提供。另有报道称其支持100多种语言、可从2000多种预设音色中挑选,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。官方称其在Hume Voice Design基准排名第一、Hume Quality占据第一和第二,并在6种语言的Voice Arena登顶。目前尚无进一步有证据的发展。
匹配字段摘要
Cerebras 于 2025 年 11 月 25 日将 Cerebras Inference 托管服务上线 AWS Marketplace。据其官方博客介绍,该服务按 token 付费、无需自建基础设施,可在原有 AWS 账单与安全框架内通过 API 接入。同一来源还提到,Rox 在其企业营收智能体平台中采用 Cerebras Inference 作为低延迟推理路径,通过按意图动态路由模型,让 Command 对话、语音免手操作和实时研究查询即时响应,深度研究任务则交给后台大模型处理;Rox 创始工程师称响应速度比此前方案快 10-20 倍,且输出质量保持出色。目前尚无该服务上线后的进一步独立发展事实。
匹配字段摘要
OpenAI在Dev Day上发布了Decisions API。据代表证据报道,此次Dev Day上OpenAI为软件工程智能体Codex推出可跨设备复用的云开发环境,开发者可在电脑、手机或云端运行Codex,团队可共享带审批设置和权限的工作区;Codex CLI更新支持语音启动和指挥任务,新增/agents视图便于同时委派和跟踪多个任务,并可在ChatGPT桌面应用内进行代码审查;OpenAI还推出Codex Security Cloud,可按需或定期扫描整个GitHub仓库,并在新提交到达时自动检查、去重和准备修复。目前尚无该发布之后有合格事实证据的进一步发展。
匹配字段摘要
2026年9月30日,Vapi 发布 Personal Agent Calling 测试版,为个人助理提供语音层,使其可以代用户拨打电话。据 Vapi Blog 介绍,用户只需把一段提示词粘贴进助理,并填入商家与任务,Vapi 即可代为拨号、等待并回报结果。该功能支持 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助理,除 Vapi 通话分钟数外不额外收费。测试中,Vapi 营收负责人 Bryan Parman 让助理致电航空公司申请 Economy Plus 过道座位,助理等待 14 分钟后接通人工,按指示拒绝支付 51.69 美元费用,最终获得免费升舱。目前该功能处于 beta 阶段,尚无后续发展事实。
匹配字段摘要
2026年9月29日,Vapi 推出面向客户体验的 Vapi for CX 工具包。据 Vapi 官方博客介绍,该工具包面向 CX、运营、产品和工程团队,主打对语音智能体全生命周期的完全控制。其中 Vapi Composer 支持用自然语言构建语音智能体,产出的配置对象与 API、CLI 和 MCP server 中的一致,底层设置仍可编辑;电话、轮次切换、打断处理、并发与合规由 Vapi 托管。目前该消息仅有 Vapi 官方这一来源,尚无其他独立来源的后续发展。
匹配字段摘要
Meta 于 2026 年 9 月 23 日发布 Meta VR Glasses。据 Meta Newsroom 介绍,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。目前尚无后续发展事实。
匹配字段摘要
2026年9月24日,Meta发布并介绍由Muse Realtime Voice与Muse Realtime Avatar组成的统一流式架构。据Meta介绍,二者通过共享语音token流连接: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。Meta还称,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。目前尚无后续发展事实。
匹配字段摘要
Suno 宣传 Suno Studio语音转换功能
English translation is being prepared.
匹配字段摘要
AWS Machine Learning 讲解 用 vLLM-Omni 在 SageMaker 上构建实时语音应用（上）
English translation is being prepared.
匹配字段摘要
ElevenLabs 发布 Eleven v4及Eleven v4 Turbo语音模型
English translation is being prepared.
匹配字段摘要
AWS Machine Learning 讲解 用 Qwen3-TTS 在 Amazon SageMaker AI 上部署实时个性化语音
English translation is being prepared.
匹配字段摘要