Clerk AI 基于 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。该平台已获 SOC 2 Type II 认证并内置 TCPA 合规能力。
匹配字段标题
AWS 合作伙伴 Cartesia 基于 State Space Models（SSMs）在 AWS 上提供首字节延迟低于 100ms 的语音模型：Sonic 文本转语音约 90ms 出首音频、支持 44 种以上语言和 10 秒音频样本声音克隆，Ink 语音转文字支持原生轮次检测与流式转写。SSM 以固定大小隐藏状态和逐 token 处理实现原生流式推理，避免 Transformer 处理整段序列带来的延迟。
匹配字段标题
合成语音由神经 AI 模型分析并复刻人类语音模式生成，流程分三步：收集真人录音数据、训练或微调模型、再从文本生成音频。现代模型之所以听起来自然，是因为它复刻了人类韵律并具备上下文感知，而非逐词拼接；ElevenLabs 的生成式 TTS 还可用音频标签等指令控制情绪与节奏。
匹配字段标题
Edge0 发布开源权重语音克隆 TTS 模型 Audio8-TTS-Realistic，601M 参数，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 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%。
匹配字段标题
Sitesh Adhikari 用 Muse Spark 1.3 为尼泊尔一家真实餐厅搭建了生产级语音 AI，支持尼泊尔语、英语和 Hinglish，可接单、更新店主看板并通过 WhatsApp 发送收据。Muse 转发该帖时只写了一句“in crust we trust”。
匹配字段标题
Claude 移动应用本周更新：iPad 和 iPhone Duo 上生成内容改为在聊天旁打开，iOS 与 Android 支持多账号同时登录并免登出切换。Chromebook、Googlebook 和折叠屏上新增可调侧边栏、触控板与右键支持及键盘快捷键；iOS 与 Android 语音模式响应更快、嘈杂环境识别更好，并支持 iPhone 上的 Apple CarPlay。
匹配字段标题
10 人创业公司 Phonic 发布语音模型 Phonic-1，称其能在通话者尚未说完时执行查询和预订。该模型在 Artificial Analysis 语音到语音榜单以 87.1 分居首，比 xAI 的 Grok Voice 3.0 高 0.2 分，客服任务完成率 79.9%，首音频延迟 0.61 秒。Phonic 称其在 Cekura 通话测试集得 90.2 分，但 Cekura 公开榜单列出的 Phonic v1 为 68.3%；公司已完成由 First Round 领投的 2750 万美元 A 轮融资，累计融资 3150 万美元。
匹配字段标题
Granola 宣布新增语音输入功能，不限字数且免费，可在任意应用中使用。Alex Heath 表示自己常用 Granola 处理会议，现在不必再装单独的听写应用，已在 Mac 上用它语音输入一整天，体验顺畅。
匹配字段标题
Neuralink 首款产品名为 Telepathy，可通过思考与计算机或他人进行高速通信。Elon Musk 表示，其输出带宽将在几年内远超最快的人类语音或打字速度。该推文引用了 Neuralink 工程师为一位言语恢复研究参与者进行 72 小时黑客松、快速原型多项意念沟通功能的帖子。
匹配字段标题
Artificial Analysis 评测显示，Phonic 的 Phonic 1（High）以 87.1 分在 Speech to Speech Index 的 22 个模型中排名第一，以微弱优势领先 Grok Voice 3.0 的 86.9 分。该模型在 Tau Voice 智能体任务上以 79.9% 排名第一，领先第二名 5.4 个百分点；Big Bench Audio 以 98.9% 排第三，Time to First Audio 为 0.61 秒。Phonic 1 通过 Phonic API 提供，输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。
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，它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，Prism 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。
匹配字段标题
Perplexity 宣布，Mac 和网页版的语音模式现已使用 OpenAI 的 gpt-live-1 模型。用户还可在 Perplexity Computer 上运行多个会话，并管理任务和 Projects。发帖者表示语音是自己最喜欢的交互界面。
匹配字段标题
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的 30B MoE 模型，约 4B 激活参数。该模型支持 40 种语言转写、说话人归属、翻译、上下文提示和音频理解，并在 VoiceArena 的 14 系统说话人分离加 ASR 对比中排名第一。
匹配字段标题
Perplexity CEO Aravind Srinivas 宣布，新语音模式向所有 Pro 和 Max 用户开放，覆盖网页端和 Mac 应用。该模式让用户通过语音与电脑对话，并行推进多项工作流。
匹配字段标题
Perplexity 的 Houssein Djirdeh 宣布 Perplexity 网页版上线新的语音模式，支持自然对话、全程语音操作应用、多会话并行，基于 GPT-Live-1。Perplexity CEO Aravind Srinivas 转发并评论称，语音是使用电脑的自然形态。
匹配字段标题
面壁智能大使 @emwstudio 开源了一个 ESP32-S3 座舱式姿态仪项目，用 MiniCPM5-2B 生成塔台回复、VoxCPM2 合成语音。设备通过 Wi-Fi 把按键说话音频送到 Mac 端流水线，由 Qwen3-ASR 本地识别，回复音频再流回设备扬声器。塔台会结合高度、速度、航向、俯仰和滚转等模拟飞行数据，指出请求与仪表读数的不一致。
匹配字段标题
Artificial Analysis 评测显示，Fish Audio 发布的 Drama 3 在 Text to Speech 的 Provider Voice 场景 Elo 为 1,278（1,512 次竞技场出场），总排名第 6、开源权重模型第 1；Controlled Voice 场景 Elo 为 1,085（1,958 次出场），总排名第 12、开源权重模型第 1。发音鲁棒性上 Drama 3 以 94.6%（2,157 个评分片段）排名第 1，高于 Ming-3.0-tts 和 Drama 3 Preview 的 93.2%。生成速度为每秒 66.6 字符，定价 $15/1M 字符，以 Fish Audio Community License 开放权重。
匹配字段标题
NVIDIA 于 10 月 28 日发布 Nemotron 3.5 Transcribe，这是一款开源权重的语音模型，可转写 40 种语言的音频、翻译语音并识别说话人，开发者可用自然语言指令控制转写格式而无需重新训练。该模型由 Transformer 语音编码器、说话人分离模型和 Nemotron 3.5 Lightning 语言模型组成，约 43 亿激活参数，发布检查点标注为 30B-A4B。NVIDIA 称其在英语 Open ASR Leaderboard 九个公开测试集上平均词错误率为 4.71%，在多语言榜单七个语言上为 4.62%，并称其为两个榜单上最好的开源权重模型；模型以 BF16、FP8、NVFP4 格式及 GGUF 文件发布，采用 OpenMDW-1.1 许可。
匹配字段标题
Gnani AI 发布自动语音识别模型 Prisma v3.0，支持印地语、孟加拉语等 9 种印度语言与英语，可转写句内中英混说的多语言对话。该模型在 Vistaar benchmark 上宏平均 WER 为 16.93，低于 ElevenLabs Scribe v2 的 19.98、Microsoft Azure Speech-to-Text 的 20.51 和 Deepgram Nova 3 的 26.57。它提供 Verbatim、Transcribe、Code-mix、Transliterate 四种转写模式，支持每次请求最多 200 个自定义词汇，可将这些词的召回率从 70.9% 提升至 90.3%。
匹配字段标题
NVIDIA 发布开源权重语音转写模型 Nemotron 3.5 Transcribe，总参数 30B、激活参数 4B，在 Artificial Analysis 的非流式语音转写榜单上取得 2.8% 的 AA-WER，与 Mistral 的 Voxtral Small 并列开源模型第一。在语音智能体对话数据集 AA-AgentTalk 上，它以 1.8% 领先 Voxtral Small 的 2.3%。其激活参数为 4B，而 Voxtral Small 为 24B，同等规模的其他开源模型 WER 约为 4%。
匹配字段标题