依意思最接近的 30 筆
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。
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 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。
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。
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。
@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 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。
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。
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。
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。
Ollama 0.40.11 在 macOS 上加入語音生成能力，ollama run 可在音訊生成的同時朗讀文字或模型回覆，應用也能通過相容 OpenAI 的 /v1/audio/speech 介面流式獲取音訊。同版本還引入 vLLM Semantic Router 的 d3 決策模型，提供 2B、4B、9B、27B 四種規模，可對文字、結構化狀態或影像做分類、是否判斷或為選項打機率分。
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。
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。
科大訊飛發布端雲一體星火 X2.6，上下文視窗擴至百萬 Tokens，並同步開源星火 X2.6-4B 端側模型；其端雲路由協同訓練機制把路由準確率從 81.2% 提升到 96.1%。同場首發的還有星辰 TaaS 平台、企業級智慧體協同平台 Agent OS，以及基於全國產算力訓練的語音基座模型 SparkAudio 1.0，實測效果提升 20%、回應時延降低 15%、呼叫成本下降 60%。
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。
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。
Ollama 發布 v0.40.9，原本只能在 macOS 上執行的 Flint 現在也支援 Linux 和 Windows。流式 OpenAI Responses 與 Anthropic Messages 請求中途出錯時會明確報告生成失敗，不再在部分輸出後靜默結束；ollama launch 現在會把雲端模型的上下文長度與能力傳給 coding 工具，修正上下文與壓縮設定。
Hurston-1 以 Apache-2.0 協議開源，這是一個基於 Maya1 微調的窄帶 TTS 模型，主攻美國英語，尤其是南方口音與地區非裔英語，輸出面向電話場景。作者從 2 萬多人處收集了 1800 小時授權語音，本次只取其中 136 小時用於微調。據作者說明，該模型不支援聲音克隆，跨 prompt 的音色也無法保持一致；它已用於 Amazon、Salesforce 等客戶，累計帶來超過 50 萬美元收入。
阿布扎比技術創新研究院（TII）發布 1.6B 引數的語音識別模型 Falcon-ASR，主打阿拉伯語與阿聯酋方言，同一套權重還支援英語、法語、西班牙語和葡萄牙語。在六個阿拉伯語測試集上，它取得 20.92% 的平均詞錯率，比其所用榜單快照中最佳公開結果 23.17% 低 2.25 個百分點；內部阿聯酋方言評測為 22.73% WER、10.19% CER，比次優的 Qwen3-Omni 低 4.07 個百分點。
中國電信星辰通用人工智慧實驗室發布並開源意圖理解專用模型 Xing4.0-29B-Intent，同時開放 275.3 萬條訓練語料、模型權重與推理映象，程式碼採用 Apache 2.0 許可。模型按統一 Schema 輸出 JSON，可同時完成意圖分類與引數抽取；官方評測總分 58，高於 18 款參評通用模型的最高分 49。類別決策總分 70，領先 Jev 的 56 和 GPT-6-Luna 的 65。
llama.cpp 合併 PR #28607，在 mtmd 中加入 Soprano TTS 語音生成支援，可載入 Soprano-80M 與 Soprano-1.1-80M。兩個模型均為 Qwen3 主幹加 Vocos 解碼器：轉換指令碼可自動識別 checkpoint，把主幹匯出為 qwen3、把 decoder.pth 匯出為 mmproj，同時新增 Soprano 預分詞器（小寫、空白摺疊、逐數字切分、[UNK] 兜底）與 Vocos 計算圖和 ISTFT。
UBC 與 Vector Institute 的語音克隆魯棒性基準 RVCBench 被 NeurIPS 2026 接收，用 18 項評測、10 類任務、14,370 個樣本檢驗 18 個開源模型。評測覆蓋噪聲參考、異常與詐騙文字、分鐘級長文字、中英跨語言、AAC/MP3/Opus 壓縮與窄帶電話傳輸，以及 SafeSpeech 等防克隆對抗擾動。結果顯示噪聲參考下 WER 平均惡化 265.6%，長文字普遍退化；
Block 研究實驗室發布語音模型 Dessa，它能一邊說話一邊傾聽，並可在 MacBook M4 Max 等消費級裝置上本地執行。該模型完全以人類語音資料訓練，使用了單個 Nvidia GPU 機架；笑聲、停頓與情緒都內建於模型本身，不依賴文字標籤或文字中轉來驅動。Block 稱目前不對外開放，僅招募安全研究員測試，重點評估語音代理是否可能欺騙對話另一方。
OpenAI 發布官方公告，稱其模型即將登陸 Google Cloud，公告日期為 2026 年 10 月 21 日。目前頁面未披露具體上線時間、覆蓋哪些模型以及定價，也未說明會開放給哪些 Google Cloud 區域。訊息在 Hacker News 上已有討論，但暫無評論。
商湯大裝置與上海市規劃資源局聯合打造的雲宇星空大模型完成升級，上海量子城市首批政務智慧體隨之落地，其中商湯自研交付的防汛智慧體禹智河洛落地後排程效率提升 80%。升級後的模型已積累 1.3 萬對高品質問答和 15 億 Token 語料，強化空間知識與推理能力；同批交付的另外兩個智慧體大略之眼、詳規小工單，分別面向城市空間洞察與規劃更新。
AnyLanguageModel 1.0 發布：這個 Apple Foundation Models 框架的替代方案只需換成 import AnyLanguageModel，同一份會話程式碼即可呼叫系統模型、llama.cpp、MLX、Core ML 本地模型，以及 OpenAI、Anthropic、Gemini、Ollama、Private Cloud Compute 等託管服務。
llama.cpp 建置 b11488 新增 LiquidAI/d1-omni-600M 決策模型支援，服務端可通過 images 與 input_audio 直接接收音訊輸入，模型與多模態輸入打通。同時決策型別 d1omni 更名為 lfm2-d1-omni，images 成為 files 的別名，無記憶的 lfm2 被限定為非因果模式，CUDA 後端保留 conformer 的 GLU sigmoid。四筆改動均標註由 Claude Opus 5.5 協助完成；
Block 旗下 Dessa 團隊發布全雙工語音模型 Dessa，完全用人類對話音訊從零訓練，不含文字與預訓練模型。它邊聽邊說，會在對話中插入「嗯」「懂了」等回應，原生處理情緒、語調與笑聲，推理快於即時，可在 M4 Max 或更強的 MacBook Pro 上本地執行。官方稱訓練只用了單臺 NVIDIA GB200 NVL72，並開放少量名額給 AI 安全研究者提前試用。
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。
OpenAI 表示，最新一輪模型能力提升集中在 COBOL、Fortran、Visual Basic 等低資源程式語言，增強了這類軟體的建置與遷移能力。這些語言支撐著銀行、政府和企業長期依賴的系統；OpenAI 的目標是理解數十年的業務邏輯，並在保留可用部分的前提下幫助開發者完成現代化改造。OpenAI 稱會圍繞開發者與企業客戶提出的實際難題推進，並公開徵集下一批需要支援的語言與工作流。