X @SpaceXAIAI 評分42
Grok Voice 3.0 發布：回應低於 1 秒，主打客戶來電
@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。
搜尋
找到 13 筆
X @MistralAI● 精選AI 評分62
Mistral 發布 Voxtral 3 語音模型，驅動新語音智慧體 API
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。
Hugging Face blog● 精選AI 評分69
IBM 發布 Granite Switch 4.1：單端點整合對話、決策與語音
IBM 發布 Granite Switch 4.1，8B 與 30B 兩個版本在同一個託管端點上整合對話、決策與語音轉寫三類任務。模型新增通用決策 aLoRA 與專用 Guardian aLoRA，後者在安全相關決策任務上平均優於 Jev 1.13、Microsoft-Decision-1 等，並內嵌 OpenASR 榜首的 Granite-Speech-5.0-Turbo-CTC。
Google DeepMind blog● 精選AI 評分75
Google 發布 Gemini 3.8 Flash TTS 語音模型
Google 推出 Gemini 3.8 Flash TTS 與 Flash-Lite TTS 兩款文字轉語音模型，可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中使用。Flash TTS 支援用自然語言從零設計音色、30 秒樣本復刻聲音，覆蓋 100 多種語言，並可在 Hume AI 語音設計基準上以 71.4 分居首；Flash-Lite TTS 面向高併發、低成本場景。
Hacker News front pageAI 評分69
Whistle 發布 16.9 MB 語音識別模型，CPU 上執行並支援七種語言
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。
Apple Machine Learning ResearchAI 評分55
語言判別訓練縮小多語言語音模型與單語模型差距
研究顯示，在相同預訓練資料預算下，多語言自監督語音模型仍落後於單語模型。作者在英語/法語 HuBERT 受控設定中測試兩種強化語言判別的干預，發現可縮小甚至在某些指標上消除這一差距，同時保留大量跨語言共享。
X @AIatMetaAI 評分33
Meta Omnilingual ASR 入選《時代》2026 年度最佳發明
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。
Hugging Face blog● 精選AI 評分75
Hugging Face 推出開源 TTS 排行榜，用客觀指標評估多語言與聲音克隆
Hugging Face 於 2026 年 9 月 30 日發布 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和說話人相似度等客觀指標評估開源 TTS 模型，評估耗時從數週縮短到數小時。榜單覆蓋多語言與聲音克隆，英文 WER 領先的是 Kokoro-82M、supertonic-3 和 s2-pro，多語言表現較強的是 OmniVoice、s2-pro 和 Fun-CosyVoice3-0.5B-2512。
The Verge AIAI 評分59
Schiff 談 AI 監管：白宮自願承諾不足，主張設新監管機構
加州民主黨參議員 Adam Schiff 在 Decoder 播客中稱，白宮讓多家 AI 公司簽署的自願安全承諾遠遠不夠，他支援設立新的專門機構來監管 AI。他提到，這些公司私下都公開呼籲監管，只是在總統面前不願得罪人；最高法院推翻 Chevron 先例後，法院取代機構專家解釋模糊法律，新規很容易立刻陷入訴訟。
Apple Machine Learning ResearchAI 評分57
語音基礎模型可直接從語音中檢測語碼轉換
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。
OpenRouter announcements● 精選AI 評分74
ElevenLabs 上線 OpenRouter，帶來 9 個語音合成與 2 個轉錄模型
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。
Hacker News front pageAI 評分65
BetterWispr：免費開源的 Mac 離線聽寫工具，內建 9 個模型
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。
X @MistralAI● 精選AI 評分63
@MistralAI: Voxtral 3 also introduces a voice agent SDK, built on LiveKit.
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。