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 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。
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。
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。
YC F26 團隊 Subvocal 在做一副能識別無聲口型的智慧眼鏡：使用者閉著嘴默唸，眼鏡發出類似藍牙的射頻訊號穿過面部，再由基礎模型把舌頭、嘴唇與軟顎的擾動解碼成文字，速度接近正常說話。團隊年初在 TreeHacks 用 EMG 電極復刻 MIT AlterEgo，因出汗、電氣干擾和貼電極不可行改為射頻方案，把天線嵌入鏡架。跨使用者差異靠擴大預訓練資料解決，影片中測試者只做了 20 句校準。目前仍是原型，未來數月繼續研發。
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。
Swift 包 AnySpeechRecognizer 發布，沿用 Apple SpeechAnalyzer 介面但可替換引擎，在裝置端用 Core ML 跑 NVIDIA Parakeet 與阿里 Qwen3-ASR，並新增說話人分離。Qwen3-ASR 覆蓋 30 種語言與 22 種中文方言（含粵語），但每段只給一個最終結果、無逐詞時間戳，速度慢於 Parakeet，更適合轉寫檔案。
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。
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。
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。
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。
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。
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。
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。
@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。
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。
AI 可穿戴公司 Nirva 完成 2500 萬美元 pre-A 輪融資，加上年初的 800 萬美元，累計融資 3300 萬美元，首款產品是一隻只監聽佩戴者本人語音的 AI 吊墜。吊墜重約 8 克、續航 3 天、售價 249 美元，11 月開放預訂、年底發貨；它在引導流程中學習使用者的聲音，使用中過濾周圍其他人的說話聲，預設不保留音訊與轉寫，配套 App 輸出情緒、溝通風格等個人洞察。
輝達發布免費開源權重語音轉寫模型 Nemotron 3.5 Transcribe，支援最多 40 種語言，可處理長達一小時的錄音、區分最多 8 位說話人，並能在 31 種語言與英語之間互譯。該模型為 300 億引數，官方稱可執行在單顆晶片上，涵蓋 Jetson AGX Thor、DGX Spark 與 Blackwell 資料中心晶片；同期還發布了開源語音資料集 Granary 第二版。主要限制是只能處理已錄製音訊，不支援即時直播流。
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。
Show HN 上的 PDF TO MP3 提供 MCP 伺服器，讓 Codex、Claude 等 AI 訂閱承擔 PDF 的文件處理，把文件轉成有聲書。用法是新增該 MCP 伺服器地址並完成認證，在對話裡附上 PDF 並要求呼叫它，另需一把 OpenAI 或 Google 的語音 API key；文件處理算在已付費訂閱內，語音生成按用量由 OpenAI 或 Google 單獨計費。
Mistral 的 Voxtral Mini Transcribe 3 在 Voice Arena 的 Diarization + ASR 排行榜上排名第二，這是把說話人分離與語音轉寫放在一起評測的榜單。訊息由 Mistral 官方帳號發布，但沒有給出具體分數、與榜首的差距，也沒說明模型的開放方式與可用渠道。
越來越多 AI 助手不再需要單獨下載 App，直接用 iMessage、RCS 或簡訊就能對話並代辦任務。其中 Instinct 於 2026 年 9 月完成 10 億美元融資、估值達 100 億美元，並開始給使用者分配助手專屬信箱地址、上線代打電話功能，目前仍處私測。其餘選項裡，Folk 免費、Pro 訂閱 8.33 美元/月，Comma 開源且免費起步，Fambot 主打家庭日程並每晚推送次日摘要，Martin 訂閱 21 美元/月起。
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。
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。
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。
Claude 在 iOS 與 Android 的語音模式完成更新：回答速度更快，在嘈雜環境或說話音量較小時聽得更準。非英語語音聽起來更自然，語音功能也擴充套件到更多 Android 手機。官方未說明具體新增機型、支援語言數量或推送時間。
Google 週二上線 SynthID 驗證網站，任何人可上傳圖片、影片或音訊，檢查是否為 AI 生成。該工具此前只向部分記者、媒體從業者和研究人員開放測試，現已全面開放，支援 JPG、PNG、HEIC、MP4、MP3、WAV 等十餘種格式。SynthID 自 2023 年推出，Google 的 Nano Banana、Veo、Lyria 模型以及 Gemini、Flow、Vids 等生成工具都會為產出加水印，OpenAI、Nvidia、Kakao 也已支援。
OpenAI 一名工程師因涉嫌在公司辦公室內藏匿精密錄音裝置被捕，美國司法部稱其被控使用或試圖使用裝置擷取口頭通訊。涉案員工為 35 歲的沙特籍人士 Abdulrahman Alfozan，裝置被發現插在一間高管辦公室電視的 USB 介面上。OpenAI 表示，公司用自家 AI 模型分析該裝置及其來源，確認是某名員工在幾天前放置的。
Google DeepMind 宣布 SynthID Detector 現已向所有人開放，可用來判斷網上內容是否由 AI 生成。該工具除 Google AI 外，還支援檢測 OpenAI、NVIDIA、Kakao 等行業夥伴工具生成的內容，Apple 即將加入。使用者可通過 synthid.com 試用。
輝達發布開放權重模型 Nemotron 3.5 Transcribe，用同一個 checkpoint 同時完成轉寫、說話人分離、翻譯與音訊問答，已在 Hugging Face 和 ModelScope 上線。它支援 40 種語言轉寫、31 種語言與英語互譯、13 種語言的說話人區分，可處理最長 1 小時錄音、標註最多 8 位說話人，並支援用自然語言提示控制輸出格式與專業術語。