依意思最接近的 30 筆
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；
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。
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。
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。
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。
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。
ElevenLabs 正式上線 OpenRouter，提供 9 個文字轉語音模型和 2 個語音轉文字模型。已通過 OpenRouter 呼叫語言模型的應用，用同一個 OpenRouter API key 呼叫 POST /api/v1/audio/speech 與 POST /api/v1/audio/transcriptions 即可獲得語音能力，無需另購 ElevenLabs 套餐。
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。
把 Google 的 EmbeddingGemma 2 嵌入模型改造成語音轉文字模型 Embedding Gemma Transcribe 後，在 8GB 記憶體的基礎款 M3 MacBook Air 上，一小時音訊約 12.6 秒轉完，全程在端側 Neural Engine 執行。工具免費下載，要求 macOS 14+ 與 Apple Silicon，首次啟動下載 715MB 模型；可拖入音訊檔案，或按住右 Option 鍵說話、鬆開即聽寫到任意應用，音訊不離開本機。
Meta Omnilingual ASR 被《時代》評為 2026 年度最佳發明之一。這套模型系列可為 1600 多種語言提供語音識別能力，其中 500 種低覆蓋語言此前從未被任何 ASR 系統支援。Meta 表示，多數 ASR 系統只覆蓋網際網路語料充足的語言，此次發布是邁向通用轉錄系統的重要一步。
@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。
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；
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。
Mistral 發布 Voxtral 3，包含 Transcribe 與 Speech 兩類語音模型，官方稱其達到當前最優水平，並用於驅動 Mistral 新的語音智慧體 API。公告以推文執行緒形式給出，未披露模型規模、定價、可用平台與發布時間等細節。
IBM 發布 Granite Speech 5.0 三項更新，其中全新的 granite-speech-5.0-2b 與上一代引數規模相同，均為 2B，支援英語、法語、德語、西班牙語、葡萄牙語和日語轉寫，並支援這些語言與英語互譯，還可英譯義大利語和普通話。
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。
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。
一項新研究提出直接從語音中檢測語碼轉換（同一句話內多語言交替）的輕量方法，不再依賴先把語音轉寫成準確的多語言文字、再在文字中找語言交替。該方法利用預訓練語音基礎模型中的幀級語言資訊。研究動機是多語言語音中語碼轉換常見，但在預訓練語料中覆蓋不足，需要在大型語音集合中定位這類語句，以便納入訓練資料。
BetterWispr 是一款免費開源的 Mac 聽寫應用，Apache 2.0 許可，語音識別全程在本機完成，不需要帳號或雲端回退。按住 ⌥ Space 說話、鬆開即完成轉寫，文字直接落在當前應用，快捷鍵可自訂。內建 Apple speech、Parakeet 與 Whisper 共九個模型，Parakeet 覆蓋英語、日語和 25 種歐洲語言，也可接入 OpenAI 相容等外部 API。
OpenAI 為 ChatGPT 加入音訊檔案上傳功能，可生成轉錄、總結錄音內容並針對錄音提問，還能把會議、訪談或講座整理成結構化筆記或跟進郵件草稿。該功能面向付費 ChatGPT 訂閱與工作區開放，實際可用性受工作區設定、地區、客戶端版本和模型影響。官方提示轉錄可能包含錯誤，不同語言的表現也存在差異。
OpenAI 公布應對歐盟 AI 法案的文字溯源方案：全球 API 客戶即日起可為部分模型選擇開啟文字水印（預設關閉），未來幾週將在歐盟的 ChatGPT 與 Codex 文字輸出中加入不可見水印，檢測器僅向獲批研究者與專家組織開放申請。其自研 textGrain 通過統計訊號標記用詞，在 1% 誤報率下對 200 token 段落檢出約 80%、400 token 約 95%，數學等用詞受限內容明顯更低；
llama.cpp 的 server 在 b11781 建置中加入 POST /tts 端點，可直接為 TTS 模型提供語音合成服務。該端點支援通過 form-data 上傳 speaker_ref 參考音色、向 API 暴露 seed，並補齊 /tts 的路由、文件與 server_schema；mtmd 同時新增音訊輸出流 API。
OpenAI 宣布將在歐盟自動為 ChatGPT 生成的文字加水印，其他地區也提供該功能，但預設關閉。這是為遵守 8 月生效的歐盟 AI Act，該法要求 AI 生成內容可被其他工具檢測。OpenAI 的水印方法名為 textGrain，屬專有技術並已發布技術論文：它在用詞中埋入人類難以察覺、也不影響輸出品質的模式，持有金鑰者可用專用檢測器識別。檢測器初期只向有限的研究者與機構開放，其他方需經申請審批逐步加入。
一位作者在部落格中稱，自己閱讀 AI 生成文字的速度至少慢三分之一，即便篇幅相同。他把原因歸為兩點：AI 會平均化寫作風格，讀者難以感知作者本人及其語境；AI 為把文字拼接通順必須自行假設，傾向選擇更模糊的措辭，從而損失精度。他還指出多數模型輸出囉嗦，讀者需自行替換含糊詞，寫作者省下的時間會轉嫁到讀者一側，並帶來更多追問、更多迭代與信任下降。
v0.40.9-rc3 將 Gradium Phonon 的預發布檢查點路徑替換為 GA 正式格式，並加入預設音色匯入與語音條件控制。該版本把最低版本要求設為 0.40.9，更新語音文件，並測試匯入、推理配置以及拒絕舊檢查點。
OpenAI 表示文字水印存在明顯侷限：在短文字中往往無法檢測，改寫或翻譯就能徹底去除水印。因此目前只有經過批准的研究者才能使用其水印檢測器，用於評估和改進這項技術。OpenAI 將文字水印視為一個持續研究的方向，會繼續測試和改進，並收集使用者、開發者、政策制定者和研究者的反饋。
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。
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。
Artificial Analysis 最新文生影片榜單中，影視公司 Utopai Studios 的模型 Utopai X 以 1150 分位列第二，與第一名阿里 Wan 3.0 僅差 7 分，據福布斯估算其估值約 10 億美元。該榜單由評審在不知道模型名字的情況下盲投產生；Utopai X 以 MiniMax 開源的影片模型 H3 為底子做後訓練，10 項能力中有 7 項比基座更接近頂尖水平，音訊同步、運鏡控制與物理提升最明顯。
Whistle 是一個 16.9 MB 的單檔案端側語音識別模型，無依賴、在 CPU 上執行，與 Needle 共用同一套 C++ 引擎。它支援英語、德語、法語、西班牙語、義大利語、荷蘭語和波蘭語，單次最多處理 30 秒 16 kHz 單聲道音訊，可自動檢測語種，並輸出逐詞時間戳與語音嵌入。