llama.cpp releases● 精選AI 評分77
llama.cpp 服務端新增 /v1/realtime 即時對話與轉寫
llama.cpp 服務端在 /v1/realtime 介面上新增即時對話與語音轉寫能力。範例客戶端預設改為連線伺服器埠 9931，並改用模型卡中的 prompt。此次還修正了多 slot 併發取樣：此前在同一步驟開頭取樣會讀到最後一個解碼 slot 的 logits，導致併發會話輸出互相混淆，現在改為每個 slot 在自身解碼後立即取樣；
搜尋
依意思最接近的 30 筆
TechCrunch AIAI 評分45
語音 AI 高管：全雙工已實現，仍未迎來 ChatGPT 時刻
企業語音 AI 平台 PolyAI 的 CTO Shawn Wen 在 HumanX 大會上表示，全雙工模型雖已實現，語音 AI 仍未迎來自己的「ChatGPT 時刻」，下一步的關鍵是讓推理足夠快、對話足夠自然。會議記錄工具 Otter 的 CMO Alex Gay 指出，說話人識別、意圖捕捉並與組織知識結合才是自動化的關鍵，Otter 還在研發可代表參會者的數字孿生。兩人都提到 ASR 模型常漏掉關鍵詞，轉寫不準會讓後續動作全部出錯、使用者失去信任；
llama.cpp releases● 精選AI 評分75
llama.cpp 新增即時語音轉寫 API
llama.cpp 的 server 加入 Realtime transcription API，可按 GA Realtime 規範提供基於 WebSocket 的即時語音轉寫會話，會話物件採用 type transcription，輸入格式、轉寫模型、輪次檢測與降噪放在 audio.input 下。API key 中介軟體現在會在 WebSocket 握手階段鑑權，支援 Bearer、原始 key 與 X-Api-Key，401 在升級前返回；
X @SpaceXAIAI 評分51
Grok Voice 3.0 發布：語音延遲降低 40%
SpaceXAI 宣布 Grok Voice 3.0 在語音 agent 任務上達到前沿水平，延遲較此前降低 40%。官方給出的落地案例是 SpaceX 內部：該模型能自主處理 70% 的 Starlink 客服來電，無需人工介入。官方本次只披露延遲降幅與自主解決率兩項指標，未說明模型規模、開放渠道、定價與上線時間，也未提供與其他語音模型的對比資料。
X @OpenAIDevs● 精選AI 評分61
OpenAI 新增九個語音預設，覆蓋法德印日韓五語
OpenAI 開發者帳號宣布新增九個語音預設，全部由法語、德語、印地語、日語和韓語的母語演員錄製，覆蓋五種語言。官方同步給出 custom voices 入門指南連結，指向 developers.openai.com 的 API 文件，供開發者瞭解如何開始使用。推文未說明音色名稱、可用模型、價格與開放範圍。
Hacker News front pageAI 評分34
Eunice 將近：全雙工對話與 24/7 自主 agent 已出現
一篇部落格文章認為，William Gibson 在 2020 年小說 Agency 中描繪的 AI 助手 Eunice 已接近現實。書中 Eunice 被啟動後一邊對話，一邊自行在後臺取用資訊、調動資源；文章指出，如今 GPT-Live 與 Block 的 Dessa 已帶來接近真人的全雙工對話，OpenAI 的 Dots 和 Meta 的 Muse 則在引入可 24/7 獨立追求目標、在後臺行動的 agent。
X @SpaceXAIAI 評分42
Grok Voice 3.0 發布：回應低於 1 秒，主打客戶來電
@SpaceXAI 發布語音到語音模型 Grok Voice 3.0，官方稱其為全球最智慧的語音到語音模型。該模型回應時間低於一秒，擅長處理客戶來電，且成本低於其他前沿模型。官方暫未公布具體價格、可用範圍與上線時間。
OpenAI NewsAI 評分35
Retell 每月處理 1 億通電話，GPT-6 Astra 登頂其語音基準
Retell AI 用 OpenAI 模型驅動其客服語音 agent，月通話量從 2026 年初的 3000 萬增至 9 月的 1 億通以上，其中 80% 通話由 OpenAI 模型生成回覆，累計消耗超 1 萬億 token。在 10 月 13 日的 vCX 基準中，GPT-6 Astra 以 89.7% 指令遵循率排名第一；發布前評測顯示 GPT-5.5 非幻覺率 88.0%、工具呼叫正確率 88.3%，均高於 Gemini-3.1-Pro 與 Claude-4.6。
機器之心AI 評分23
iRTE 2026 設對話式 AI 專場，10 月 23 日北京聚焦即時互動模型
iRTE 2026 即時智慧大會的「對話式 AI 技術專場」將於 10 月 23 日 14:00–17:00 在北京悠唐皇冠假日酒店舉行，主題為「互動即智慧：對話式 AI 與互動模型」，門票限時免費。
X @MistralAI● 精選AI 評分63
@MistralAI: Voxtral 3 also introduces a voice agent SDK, built on LiveKit.
Mistral 在 Voxtral 3 中附帶發布了語音 agent SDK，底層基於 LiveKit 建置。該 SDK 把語音流程串成一條流式管線：Transcribe 負責收音轉寫，一個推理模型負責思考並呼叫工具，Speech 負責生成回覆，三段串聯以支援自然、即時的語音對話。官方推文只給出這套管線結構，未披露價格、上線時間與語言支援等細節。
X @OpenAI● 精選AI 評分77
OpenAI 推送 GPT-Live-1.1，ChatGPT 語音新增六種語言
OpenAI 為 ChatGPT、Codex 和 dots 的語音功能推送 GPT-Live-1.1，新增法語、德語、印地語、墨西哥西班牙語、韓語和日語的新語音，口音更自然，並減少了「checking...」這類停頓。該更新今日起向所有使用者推送，API 稍後支援。
Google Developers blogAI 評分58
ADK 搭配 gemini-3.8-live：非阻塞工具讓語音 agent 長時間查詢不靜默
開源 Agent Development Kit（ADK）搭配 gemini-3.8-live，可以建置在後端長時間查詢時仍保持回應的語音 agent。指南給出兩種 Python 寫法：一是用 streaming tools 持續產出進度更新，二是用後臺執行模式，讓對話在耗時任務進行中保持流暢。開發者還可配置 WHEN_IDLE、INTERRUPT、SILENT 三種回應排程行為，精確控制工具結果何時、以何種方式送回對話。
機器之心● 精選AI 評分85
Google DeepMind 發布 Genie 4：可即時互動，首次原生生成音訊
Google DeepMind 發布世界模型 Genie 4，支援用鍵盤操控角色與鏡頭，並用自然語言即時改變天氣、新增物體，是該系列首個原生生成即時音訊的版本。Gemini 深度參與模擬：Gemini Omni 提供真實世界視覺與行為知識，Gemini 3.8 Flash 負責拆解任務、逐步檢查並調整計劃，Google 稱這一方向為混合世界模型。
X @MistralAI● 精選AI 評分63
@MistralAI: With Pro Voice, we’re also rolling out professional voice adaptation.
Mistral AI 上線 Pro Voice 的專業語音適配功能：使用者錄製最長 30 分鐘音訊，即可高保真復刻自己的聲音。官方稱復刻後的音色可在其支援的所有語言中使用，並強調“極高保真度”。公告未披露該功能的開放範圍、訂閱價格與具體上線時間。
releasebot: ChatGPTAI 評分66
ChatGPT 語音上線 GPT-Live-1.1 與六種新語音
ChatGPT Voice 開始推送 GPT-Live-1.1 及其輕量版 GPT-Live-1.1 Quip，跨語言的語音口音更自然，Live 在搜尋時會用更多樣的短句提示。新增語音覆蓋法語、德語、印地語、日語、韓語和墨西哥西班牙語，另有英語的 Bubbie，可見選項因地區和帳號而異。使用者可在 Settings > Voice 中選擇語音。
X @MistralAI● 精選AI 評分62
@MistralAI: Voxtral Small Transcribe 3 is state-of-the-art in multilingual transcription, diarization and conte…
Mistral AI 公布 Voxtral Small Transcribe 3，稱其在多語言轉寫、說話人分離和上下文偏置三項能力上達到當前最優（state-of-the-art）。該模型能檢測說話人何時結束髮言，使語音 agent 無需等待即可及時回應，面向需要即時語音互動的場景。官方此次只披露能力定位，未公布引數規模、基準分數、價格、許可證或上線時間，也未給出與同類模型的對比結果和開放使用方式。
X @MistralAI● 精選AI 評分66
@MistralAI: Voxtral Mini TTS 3 achieves state-of-the-art expressiveness in 35+ languages and 50+ dialects.
Mistral 發布語音合成模型 Voxtral Mini TTS 3，官方稱其在 35 種以上語言和 50 多種方言上達到當前最佳的表達力。模型支援隱式指令跟隨，能從對話內容中讀出情緒、語速與重音；也支援顯式控制，用 [emotion=sad][pace=slow] 這類標籤逐行設定情緒和節奏。
llama.cpp releases● 精選AI 評分65
llama.cpp 新增 mtmd_audio_stream，支援 Voxtral Realtime
llama.cpp 發布 b11675 建置，在 mtmd 多模態工具庫中新增 mtmd_audio_stream 介面，並加入對 Voxtral Realtime 即時音訊模型的支援。
The Verge AIAI 評分23
Splice CEO 稱 AI 郵件正在扼殺對話
Splice CEO Kakul Srivastava 認為 AI 生成的郵件正在扼殺對話。她曾任職於 Flickr、Yahoo、GitHub 和 Adobe，目前執掌為音樂製作人提供取樣素材的 Splice，該平台的取樣曾出現在 Lisa 的《Money》和 Sabrina Carpenter 的《Espresso》等熱門歌曲中。她還主導了 Splice 收購 Spitfire Audio 並推動平台向新領域拓展。
量子位AI 評分26
STEPX 發布首款 AI 終端 IDE Step Studio，自然語言生成智慧體
STEPX（階躍終端）推出旗下首款 AI 終端原生開發工具 Step Studio，創客只需使用自然語言即可生成 AI App、遊戲、智慧體和 Skill，並可通過 MCP、A2A 等協議連線外部服務與專業智慧體。
Hacker News front page● 精選AI 評分76
Mistral 發布 Voxtral 3 語音模型家族及語音 agent SDK
Mistral 推出 Voxtral 3 語音模型系列，並配套語音 agent SDK，將監聽、推理、工具呼叫和發音整合進一條即時流式處理管線。轉寫模型 Voxtral Small Transcribe 3 支援 50+ 語言、說話人分離和關鍵詞上下文偏置，官方稱它在多語言轉寫與說話人分離基準上優於 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；Mini 版僅有 4B 引數，每分鐘 0.0035 美元。
機器之心AI 評分63
NeurIPS 26 論文 EchoChat：把共情語音對話拆成感知、心智理論推理與回應三步
EchoChat 將共情語音對話拆成情緒感知、心智理論推理與語音回覆生成三個環節，並用統一框架聯合最佳化。它在監督微調階段引入 Acoustic-Anchored Attention 強化對聲學線索的利用，在強化學習階段用 SDCA 為各環節分配針對性獎勵，並以門控機制約束後續階段的獎勵。團隊同時建置了 EchoDialogue-400K 共情對話資料集，以及真人錄製、心理學專家標註的 EchoEval 評測基準。
TechCrunch AIAI 評分34
前輝達高管：物理 AI 仍處樂高時代，尚未迎來機器人版 ChatGPT 時刻
前輝達產品營銷負責人、現 Techable Ventures 創始人 Amulya Vishwanath 表示，物理 AI 目前仍處於「樂高時代」，機器人領域的 ChatGPT 時刻尚未到來。她認為，當前行業仍在搭建機械手、執行器等基礎構件，通用與專用機器人並行推進，只有這些模組成熟組合後才可能迎來突破。她同時強調人才是關鍵壁壘，大量人才正流向 Anthropic、輝達等大公司。
X @OpenAIDevsAI 評分25
@OpenAIDevs: Talk to “Greg” through an old Bluetooth speaker using GPT-Live-1:
OpenAI Devs 展示了一種用法：通過一臺舊藍牙音箱，使用 GPT-Live-1 與名為“Greg”的物件對話。原帖只有這一句描述，未說明 Greg 是什麼、音箱型號、連線方式、延遲或可用範圍，也沒有給出設定步驟。
X @elonmuskAI 評分43
馬斯克稱 Grok Voice 3.0 已是全球領先對話式語音模型
馬斯克在 X 上宣布 Grok Voice 3.0 成為全球領先的對話式語音模型。這條表態確認 Grok 的語音模型已迭代到 3.0 版本，並給出了官方定位，但未公布模型引數、支援語言、可用平台、上線時間與訂閱範圍等細節。除版本號與這一說法外，官方目前沒有披露更多資訊，實際對話效果有待後續公布或實測。
X @SpaceXAI● 精選AI 評分78
Grok Voice 3.0 上線 API 與語音 Agent 建置器，每分鐘 0.08 美元
Grok Voice 3.0 即日起在 xAI 的 API 和 Voice Agent Builder 中開放，定價為每分鐘 0.08 美元。開發者可直接通過 API 呼叫該語音模型，或在 Voice Agent Builder 中搭建語音智慧體，詳細說明見 xAI 官方部落格。
機器之心● 精選AI 評分72
港中深聯合安菲翁發布 DuplexAgent-RSI，語音智慧體可邊聊邊執行任務
香港中文大學（深圳）與安菲翁科技提出 DuplexAgent-RSI，讓語音智慧體在全雙工即時對話的同時，把搜尋、推理與編碼任務交給後臺執行。系統以 Policy、Intake、Hold、Worker、Deliver、Memory 六個模組組成協作控制層，並用 Duplex-Harness-RSI 在模擬測試中自動出題、診斷失敗、配對驗證，迭代協作規則。
Ollama blog● 精選AI 評分79
Ollama 上線語音模型，首發 Phonon 文字轉語音
Ollama 0.40.11 起可直接執行語音模型，首個是 Gradium 的文字轉語音模型 Phonon，目前僅支援 Apple Silicon 的 Mac，Windows 與 Linux 稍後推出。在 M5 Max 的 MacBook Pro 上，其速度比 Gradium 自家執行時快 35%，詞錯率與 Hugging Face Transformers 參考實現持平；可用 --voice 選音色，另有法、德、西、葡等 40M 多語言版本。
X @GoogleDeepMind● 精選AI 評分86
Google DeepMind 發布 Genie 4，支援即時控制與原生音訊
Google DeepMind 公布 Genie 4 世界模型，基於 Gemini Omni 建置，可生成照片級真實、帶原生音訊的可互動場景。新版本加入空氣動力學、碰撞等物理模擬與更自然的人物動作，並支援用提示詞即時改變場景、新增元素或與角色互動；Gemini 的推理能力讓多步事件在場景演進中保持連貫。
Hacker News front pageAI 評分40
開發者借 4 個模型重寫 webOS 電視系統，實現語音操控
一位開發者在電視被自動裝上不想要的 webOS 更新後，花兩個週末、藉助 4 個不同模型重寫了電視軟體，v1 已能正常執行。全部程式碼由 ML 模型生成，他負責關鍵決策：用 WebRTC 降低語音互動延遲、複用廠商的音訊緩衝邏輯並設計互動體驗。如今他的女兒可以用語音操作電視，他則能把電視當作家裡最大的瀏覽螢幕，系統也擺脫了預裝臃腫軟體。