FireRedTeam 发布 FireRedTTS3，一个基于语义增强连续语音表征的统一语音生成与编辑系统，包含 Base 和 Instruct 两个版本。Base 支持 24 种语言和 21 种中文方言的零样本语音克隆，在 MiniMax-MLS-Test 上平均 WER/CER 为 3.754%、说话人相似度 84.8%；Instruct 支持自然语言语音设计和语义、声学语音编辑。模型已在 Hugging Face 和 ModelScope 开放下载，并发布 Gradio demo，采用 Apache-2.0 许可。
匹配字段标题
OpenAI 发布新一代语音模型 GPT-Live-1 和 GPT-Live-1 mini，两者均为全双工，可持续聆听并响应，能跟随停顿、打断和语速变化；GPT-Live-1 将作为付费用户默认语音模型，mini 版面向免费用户。系统卡称新模型在语音原生评测中整体安全表现与 Advanced Voice Mode 持平或更好，但 GPT-Live-1 在情感依赖上从 0.88 降至 0.82，mini 在性内容上从 0.97 降至 0.92。OpenAI 还说明 2026 年 8 月 4 日发现评测配置与最终发布模型不一致，已用正确配置重跑并附上原始值与修正值对照，修正后部分指标出现统计显著下降，但均未低于其安全发布标准。
匹配字段标题
Sarvam AI 推出面向印度语言的文本转语音模型 Bulbul V4 Flash，生产环境下首音频延迟低于 250 ms，定价为每 10,000 字符 20 卢比，比 Bulbul V3 的 30 卢比便宜三分之一。该模型基于 V4 研究蒸馏而来，训练数据超过 4000 亿音频 token，语音库规模较 V3 扩大近七倍，并针对实时对话优化了推理栈。
匹配字段标题
SquadStack.ai 发布流式语音转文字模型 Arth V2，在 863 通真实印度销售电话基准上语义词错误率为 8.85%，80% 情况下在客户说完后 67 毫秒内返回最终转写。其含义改变类错误比 Sarvam Saaras v4 少 18%、比 Google Gemini 3.5 Transcribe 少 26%、比 OpenAI gpt-live-transcribe 少 28%。该模型已用于其企业语音 AI 智能体，并以封闭测试形式向其他团队开放。
匹配字段标题
ElevenLabs 发布 JavaScript 语音识别教程，讲解如何用浏览器原生 Web Speech API 的 SpeechRecognition 接口搭建实时转写网页应用，支持连续识别、interim 与 final 转写结果及语音命令匹配。该 API 无需 API key，但音频需发送到后端云服务处理，存在转写不一致、依赖浏览器、缺乏意图理解等局限，ElevenLabs 提供支持客户端与服务端流式传输的语音转文字 API 作为替代方案。
匹配字段标题
阿布扎比技术创新研究院（TII）发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，在 6 个阿拉伯语测试集上平均词错误率（WER）为 20.92%，比 TII 榜单中最佳已发布结果低 2.25 个百分点。该模型以阿联酋方言为重点，同一套权重覆盖阿拉伯语、英语、法语、西班牙语和葡萄牙语，并输出词级时间戳。目前仅提供 Hugging Face 托管 demo（支持最长 60 秒、20 MB 音频），未发布权重、许可证或 API。
匹配字段标题
印度金融科技公司 Raise Financial Services 正与 Cartesia 合作，用其语音模型为 Dhan、Millions 等平台构建多语言语音体验。Cartesia 的 Sonic 文本转语音模型支持印地语、泰米尔语、泰卢固语、马拉地语等 11 种印度语言，并支持单次生成内的语码切换。目前 Dhan 语音机器人中超过 75% 的交互使用非英语语言，其中印地语占一半以上，超过三分之一的来电在非工作时间由机器人独立处理。
匹配字段标题
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 与会议记录工具 Otter 的 CMO Alex Gay 认为，语音 AI 虽已实现全双工模型，但尚未迎来“ChatGPT 时刻”。Wen 指出下一步挑战是让推理足够快、回答迅速，使对话自然；Gay 则强调说话人识别、意图捕捉与转写准确度是自动化的关键，并称 Otter 正在研发可代表人们参会的数字孪生。
匹配字段标题
英国 AI Security Institute 宣布与总部位于伦敦的 AI 语音技术公司 ElevenLabs 建立研究合作伙伴关系，双方将在 AI 安全与安保领域开展双向深度协作，包括共享研究、探索语音 AI 系统的新兴风险、缓解措施与最佳实践。合作将围绕实时 AI 语音对话对人的影响积累证据，包括人们能否在实时语音对话中区分 AI 与人类，以及对话伙伴的身份感知如何影响信任与行为。
匹配字段标题
开发者用 Raspberry Pi、128 × 64 HUB75 LED 面板、Codex 和 GPT-Live-1 全双工语音模型搭建了一个语音助手 Jack，可显示天气、日历、地铁到站等信息。GPT-Live-1 负责对话与打断，需要外部信息时由 Raspberry Pi 发起 Responses API 请求，调用 GPT-5.6 Luna 以低推理强度联网搜索、读取日历并查找 Wikimedia Commons 图片。
匹配字段标题
Exponential View 作者 Nathan Warren 忘带笔记本电脑后，靠手机上的 ChatGPT 完成了一周工作，主要方式是语音对话而非盯着屏幕。他把这归功于 OpenAI 7 月发布的 GPT-Live，该功能允许用语音指挥智能体，体验类似钢铁侠里的 Jarvis。他称这次意外成了一场真实实验，想分享自己的配置和只用语音办公的发现。
匹配字段标题
Descript 推出重大 AI 功能更新，包括新的 AI 语音（AI voices）和 AI Actions 等多项能力。官方博客同时提供免费录音与剪辑技巧订阅，并汇集创作者的经验与建议。
匹配字段标题
作者表示自己开车上班时会对着特斯拉里的 Grok 说话，并让他的机器人记录要点。该帖是在回应另一条帖子：对方称特斯拉自动驾驶时自己和 grokbot 一边工作，妻子则让他去买尿布。
匹配字段标题
HeyGen Voice 上的示例提示词：“我已查询您在 LAX 的租车预订。您的车辆升级为全尺寸轿车已获批准，无需额外费用，明天上午 8 点可提车。”
匹配字段标题
HeyGen Voice 在 Artificial Analysis Controlled Voice Arena 的助手与客服类别中排名第 1： ➤ 助手：第 1，得分 1,214 ➤ 客服：第 1，得分 1,212 ➤ 知识分享：第 2，得分 1,158 ➤ 娱乐：第 4，得分 1,178 按口音划分，HeyGen Voice 在 English (UK) 中排名第 1，得分 1,190；在 English (US) 中排名第 2，得分 1,206，落后于 Qwen-Audio-3.1-TTS-Plus 的 1,220。
匹配字段标题
查看 Artificial Analysis 可控语音 TTS 排行榜上的顶尖模型：https://t.co/aKvSjv4XV3 在 Speech Arena 中为模型投票：https://t.co/RQI6TUfni7 在 Speech Explorer 中探索示例片段：https://t.co/jf5GJ541oT
匹配字段标题
语音活动检测（VAD）通过逐帧分析音频流，判断每 10-30 毫秒的音频帧中是否含有人声，并向 ASR/STT、LLM 和轮次规划器等下游系统输出是否处理该帧的信号。VAD 算法以捕获、分帧、特征提取、打分、状态决策五阶段循环运行，分为传统信号处理、神经和语义三类，其中语义 VAD 能结合语境判断说话人是否说完。VAD 只判断有无语音，不识别具体词句，也不等同于判断说话结束的端点检测。
匹配字段标题
ElevenLabs 在 ElevenAgents 中发布合成语音检测功能，可在通话最初几秒分析来电者语音并判定其为真人还是 AI 生成，企业可据此设置规则，例如优先服务真人客户、限制 AI 来电者的交互范围，或在敏感操作前拦截克隆语音。该功能运行在实时音频流上，不依赖音频是否带有 ElevenLabs 水印。ElevenLabs 同时以设计伙伴身份加入由 Meta 和 Sierra 主导的 Personal Agent Protocol 工作组，参与制定个人智能体向企业表明身份、代表对象及可执行操作的规范。目前该检测功能面向由 Forward Deployed Engineering 团队支持的企业客户开放，本月晚些时候将作为 ElevenAgents 内的可配置选项向更广泛的企业客户提供。
匹配字段标题
Simon Willison 在 ChatGPT 桌面应用的 Codex 标签页里用语音对话模式，对着本地开发环境让 GPT-6 Astra High 为他的博客开发了一个 Django 新功能，边做饭边聊了约半小时就基本完成。随后他在 GitHub PR 中审查代码，又用半小时打字提示把导入脚本从 Git 子进程改为 API 方式并调整页面显示，最终合并部署。他认为视觉预览加键盘补充让语音交互更强，但细节仍靠打字，最大价值是能一边做饭一边干活。
匹配字段标题
C3 Voice Assistant 是基于 LlamaIndex 与 GPT-3.5 构建的语音助手，通过唤醒词“C3”或点击蓝色圆环激活，面向打字困难或有无障碍需求的用户，支持通用查询和文档级问答（如 Nvidia FY 2023 10K 报告）。前端采用 React.js 并托管于 Vercel，后端用 Python Flask 与 create-llama 搭建并部署在 Render，聊天记录以文本侧边栏展示。
匹配字段标题