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；
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。
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。
Google 把 Gemini 對話式導航帶到 Apple CarPlay，即日起先向美國駕駛員開放；Google 稱全球推廣也在進行，但未公布具體地區。此時距該功能登陸 Android Auto 已近一年。使用者可在 Google Maps 裡與語音助手多輪對話，比如先詢問值得去的地方，再讓它避開收費公路導航過去，全程免手操作。
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 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。
@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。
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。
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。
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。
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。
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 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。
Google 推出實驗性筆記應用 Google AI Edge Foresight，可在 macOS 上完全離線轉錄會議和音訊檔案。該應用免費，轉錄與摘要均由端側模型 EmbeddingGemma 2 完成，無需聯網。使用時可在會中記下簡寫要點，應用會結合轉錄文字將其轉成成稿筆記，定位類似 Granola、Wispr Flow 等 AI 筆記工具。
網易首個 AI 原生語音 Agent「網易叭哥說」上線“使用者榮譽聯創計劃”，投入 10 萬元徵集產品建議，設 11 個名額，單人最高可獨得 5 萬元，不設學歷專業門檻。建議方向不限，可圍繞功能、使用場景、體驗問題與未來能力設想提交，入選者獲聯創聘書、網易定製紀念工卡、面試直通等權益，官網將設榮譽聯創展示頁公開貢獻者 ID 與內容。官方稱其把自然口語直接轉為結構化文字，口語輸出對鍵盤打字的效率比值為 5 倍，支援 124 個語種即時語音互譯，專業領域翻譯精準度可達 98%，資料全程本地處理、終身免費。
Grok Bot 更新到 1.16 後，iPhone 15 Pro 及後續機型可以把 Action Button 設定為啟動語音聊天的快捷入口。使用者需要先在 iPhone 的系統設定中開啟 Action Button 選項，滑動到 Shortcut 並選擇它，再從快捷指令中指定 Grok Bot 的 Start Voice Chat 動作；完成上述設定後，按下 Action Button 按鍵就能直接啟動 Grok Bot 的語音聊天功能。
開發者 Saarth 發布免費開源的 macOS 語音助手 Atticus：按住 Control-Option-Space 說出或輸入任務，開啟應用、播放 Spotify 歌單、網頁搜尋等簡單操作完全本地處理，通常一秒內完成，開啟應用約 0.08 秒；複雜任務則通過 claude -p 轉交 Claude，因此不需要 API key，直接用已有的 Claude Pro 或 Max 訂閱，平均單個任務成本不到一美分。
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。
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。
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。
10 月 23 日，鈦動科技在廣州 TGC 2026 科技增長大會上發布行業首個 Pro Agent——Navos Pro，以 Professional（業務理解）、Proactive（7×24 小時主動發現機會）、Profitable（用 GMV、ROI 等指標驗證結果）三項能力串成閉環，人保留最終決策權。其 CEO 李述昊稱該範式已在出海營銷場景跑通，首批客戶實測中某出海品牌 ROI 提升至原來的 2.5 倍。
Yelp 在餐廳頁面新增 Check for Me 功能：使用者填入用餐人數和手機號，AI 語音代理便代其致電餐廳詢問等位時間，再把結果以簡訊發回。Yelp AI 助手同時接入 OpenTable，可在應用內直接訂位，並能記住此前對話裡的偏好、檢視近 30 天聊天記錄、設定定期提醒，還支援「去過」「想去」兩類自建清單。公司稱下月起會按收藏與排序推送每週個性化推薦；面向商家則推出每月 30 美元的 Smart Lead Reply，可按店主設定的方式自動回覆並篩選客戶線索。
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。
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。
Square 發布新硬體 Square Kiosk，一臺帶 21.5 英寸觸控式螢幕的自助點餐機，內建可對話的 AI 語音層。Square 稱該語音層能完整理解商家的選單並即時聽取、回應，顧客可以像跟店員說話那樣點單，還能提問、要求修改或替換菜品。裝置具備存在檢測，顧客走近時會主動迎接。
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。
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
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。
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。
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。