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；
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。
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。
@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。
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。
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。
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。
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。
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。
OpenAI 把 API 的付費使用檔位從五個合併為三個：Build、Launch 和 Grow。新的最高檔 Grow 准入門檻為累計 API 付款 500 美元，此前最高檔需要 1000 美元。OpenAI 表示這讓開發者更容易達到更高的 API 速率限制。該訊息由 @OpenAIDevs 於 2026 年 10 月 6 日發布。
ChatGPT 現已支援上傳音訊檔案，可生成轉錄文字、總結錄音內容，並針對內容提問。把會議、訪談或講座的錄音附到對話裡，即可整理成結構化筆記或跟進郵件草稿。該功能面向付費訂閱與工作區開放，需使用受支援的音訊格式，可用性受工作區設定、地區、客戶端版本和模型影響；轉錄可能有錯誤，不同語言的表現也有差異。
OpenAI 在 DevDay 上發布個人助理產品 Dots、新模型 GPT-6.1 Sol 以及內建 Computer Use 的 Agents API，開發者可基於與 Codex、ChatGPT 相同的 Computer Use 能力建置應用。GPT-6.1 Sol 的 Computer Use 成本約為 Astra 的七分之一。播客還討論了非同步工具呼叫、UltraFast 推理、Decisions API、提示快取與上下文壓縮等新開發者棧。
OpenAI 開發者帳號宣布，Decisions API 現已進入公開測試，面向所有開發者開放。這個 API 讓應用能夠近乎即時地選擇模型、工具或動作，官方給出的對比資料是：經由 Responses API 呼叫時，其決策速度最高可達 GPT-6 Luna 的 10 倍。該功能目前處於 public beta 階段。
LM Studio 的 Bionic 更新到 1.1.8，新增對 /v1/systemone 與 /v1/decisions 兩個 API 的支援，並支援 Bionic 與 LM Studio 同時執行。LM Studio 官方在更新日誌中一併列出這兩項改動，連結為 lmstudio.ai/changelog/bionic-v1.1.8，未附更多說明。
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。
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。
OpenAI 的 Decisions API 進入公測，官方稱其評估文字、影像或兩者並返回結構化答案的速度約為 Responses API 的 10 倍，預計數週內 GA。該 API 使用獨立的 POST /v1/decisions 端點，目前僅支援 gpt-6-luna，問題分三類：predicate 返回條件成立機率（0 到 1）、choice 從給定選項中選一個、score 按有序等級給出機率加權平均分。
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。
OpenAI 開發者帳號發布 Codex CLI 演示影片，展示三種終端內用法：用語音啟動任務、跨多個專案管理 agent，以及在獨立 worktree 中並行探索另一條實現方向。推文未提及這些能力的上線時間、版本號或可用範圍。
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；
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。
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。
Google 在美國推出新功能，讓用 AI Studio vibe-code 的個人 Android 應用無需再把手機連到電腦，可直接通過 Play Store 啟動。這類個人應用的建立能力今年 5 月就已上線，Google 稱它們依然私密、安全，並與公開商店目錄分開，用普通 Google 帳號即可啟動，之後還會支援分享給指定的一小部分人。
馬斯克 2026 年 10 月 14 日在 X 上發帖，全文只有一句 Try Grok Voice，公開建議使用者試用 Grok 的語音功能。帖子裡沒有提到新版本、價格、額度、適用地區等任何細節，也沒有說明這次推薦是否對應新的功能更新。想了解 Grok Voice 的具體能力與開放範圍，還需等官方後續說明。
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 開發者帳號 @OpenAIDevs 發帖，提示可以直接用語音與 Codex 對話，讓鍵盤休息一下。帖文只有這一句話，未說明該能力在哪些客戶端或介面可用、是否已上線，也未提及面向哪些帳號型別、如何呼叫或是否收費。
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。
澳洲初創 Apate.ai 部署數千個 AI 智慧體，偽裝成不同年齡、性別和語言的受害者主動接觸騙子，接聽詐騙電話、回覆可疑資訊、點開釣魚連結，從對話中套出銀行帳戶、加密錢包、電話號碼和仿冒品牌等情報，再提供給銀行、電信與政府客戶。公司稱已完成 250 萬次對話，累計浪費騙子 17 年時間；客戶 TPG 電信轉接了近 59 萬通電話，澳洲聯邦銀行公開報告的詐騙損失下降 76%。該公司 8 月完成 815 萬美元種子輪融資，團隊 20 人，計劃在倫敦設辦公室並擴大美國業務。
Cloudflare 與 Ceramic.ai、Exa、Linkup 合作，通過 AI Gateway 推出 Web Search API，讓 agent 用搜尋抓取即時網頁內容並注入上下文，而不是猜 URL 再 curl 而返回 404。呼叫計入 AI Gateway 額度與可觀測日誌，支援 BYOK 和 Zero Data Retention 標識，按合作方原價提供、不加價，可在 Workers 裡一行繫結或直接調 REST 端點。
Napster 聯合創始人 Sean Parker 正把 Stability AI 重塑為面向音樂專業人士的 AI 工具公司。兩年前他參與 8000 萬美元救助這家瀕臨崩潰的影像生成初創公司，如今與 CEO Prem Akkaraju 公布新方向。8 月底公司宣布獲得 7600 萬美元融資，投資方包括索尼、華納和環球，三家還授權曲庫用於訓練。