阿里 Qwen 团队发布 Qwen-Audio-3.1 音频模型栈，含 5 个模型，覆盖 ASR、TTS 和实时交互。主模型 Qwen-Audio-3.1-Realtime 是全双工语音模型，面向可调用工具的语音 Agent，能自主决定何时听、说、停、续。同时大幅降价：Realtime 约降 85%，TTS 约降 70%，ASR 最高降 95%。qwen-audio-3.1-realtime-plus 已在 QwenCloud 通过 WebSocket 提供托管 API，未公布开源权重。上下文 262K token…
推荐理由语音 Agent 成本大降：Realtime 降 85%、ASR 最高降 95%，做实时语音交互可直接换 API。
Tarini Padmanabhuni 的祖父被一段冒充其兄弟声音的深度伪造语音诈骗后，她在旧金山创立 DetectifAI，开发小到可直接在智能手机上运行的 AI 模型，实时识别伪造语音。该公司目前是 TechCrunch Disrupt 创业竞技场（Startup Battlefield）的参赛公司之一。原文信息有限，未披露融资、团队规模与识别准确率等细节。
推荐理由端侧实时语音鉴伪的创业样本，可了解深度伪造诈骗这一真实需求场景
波士顿语音智能公司 Modulate 完成 2500 万美元新融资，由 Future Ventures 领投，Hyperplane、Lakestar 参投。此前公司累计融资 4100 万美元，估值 1.7 亿美元。Modulate 成立于 2017 年，最初做游戏变声，现运行 100 多个小模型，分两类：信号提取模型识别情绪、语气、语言和合成语音；分析检测模型判断通话意图、是否违规或诈骗。客户主要是呼叫中心等受监管行业，用于深伪检测、诈骗预警、AI 客服合规与通话质量评估。公司称用小模型无需专用硬件，token 成…
推荐理由语音 Agent 合规与反深伪是刚需，100 多个小模型做意图分析，做客服和风控的可以看
ElevenLabs 发布 v4 和 v4 Turbo 两款语音模型，采用新架构，支持 90 多种语言（上一代 v3 为 70 种），仅需 10 秒音频即可克隆声音。v4 扩展了内联标签功能，支持叠加多个标签并按顺序执行，朗读长文本时能保持音色一致并根据文本语境调整表达。新模型延迟更低，可在后端 LLM 开始生成答案时同步生成音频，适合语音 Agent 场景。公司称日语、巴西葡萄牙语、普通话和粤语提升最明显。ElevenLabs 今年初完成 5 亿美元融资，估值 110 亿美元，年化收入从年初约 3.3 亿美元增至…
推荐理由做语音 Agent 或 TTS 的可以直接测：10 秒克隆、90 种语言、延迟更低，中文提升明显。
英伟达发布 Nemotron 3 Diarization，一个约 1 亿参数、权重免费开放的说话人分离模型，可实时识别最多 8 位说话人，并检测多人同时说话。在 VoiceArena Diarization Benchmark v1 上以 14.7% 的 DER 排名第一，领先第二名 19.3%；相比前代 Streaming Sortformer 在 8 个测试场景中平均降低 41% 错误率。音频缓冲可设为 30.4 至 0.32 秒四档，缓冲越短准确率越低。搭配 Parakeet 等语音识别系统可生成带说话人标签…
推荐理由权重免费、DER 14.7% 当前第一，做会议转写或实时字幕可直接拿来用
Sarvam AI 发布新一代语音识别模型 Saaras V4，覆盖全部 22 种印度法定语言及英语，并新增全球英语口音支持。模型为编码器-解码器架构，解码器是自研 3B 参数混合状态空间语言模型 Sarvam-3B。官方称在 22 种语言上均达 SOTA，噪声音频 LLM-WER 不到 Deepgram Nova-3 和 GPT-4o Transcribe 的一半，前 10 种印度语言语种识别错误率 2.9%。即日起可通过 API 调用（model="saaras:v4"），权重未公开，自托管文档仅覆盖 v3。支…
推荐理由做印度市场语音产品的可直接调 API，噪声场景错误率号称不到 GPT-4o Transcribe 一半
Google 本周发布多项更新：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频生成模型；Gemini 3.8 Live 加入 Live Avatar，为对话式 AI 带来近实时视觉形象；Gemini Notebook 推出交互式学习概览和移动端实时语音对话，覆盖约 100 种语言；去年公布的登月项目 Project Suncatcher 将发射原型卫星，在轨道测试 Google TPU，探索太空太阳能 AI 算力。
推荐理由一次看清 Google 本周 5 项更新，含两款 TTS 模型和约 100 种语言的实时语音
ElevenLabs 年经常性收入（ARR）达 6 亿美元，投资方对其估值 reportedly 为 220 亿美元，公司成立仅 4 年。CEO Mati Staniszewski 表示，55% 以上收入来自大型企业客户，其余 45% 中很大一部分是中小企业、开发者和创作者。Klarna 用其语音模型为 3500 万美国客户提供一线电话客服，Deutsche Telekom、Cisco、Adobe 及多国政府也在使用。他提到音频模型质量差距仍显著，但三到五年后会缩小，公司目标是率先通过对话式 AI 的图灵测试。
推荐理由语音 AI 商业化最猛的样本：4 年做到 6 亿美元 ARR，客服场景可直接对标
Google 推出两款 Gemini 3.8 Flash TTS 语音模型：标准版面向互动娱乐、游戏开发和长音频旁白，Flash-Lite 版面向自动配音、客服对话和高吞吐翻译。模型提供 100 多种语言、2000 多个预置音色，取代原有 30 个固定音色。在 Hume AI 语音设计基准上，标准版综合得分 71.4，口音建模 60.8 居首；Hume AI 整体质量指数中标准版第一、Lite 版第二。支持单脚本双人对话、多小时音频稳定输出，并可在文本中插入 <laughs>、<sigh> 等非语言标记。语音克隆需…
推荐理由做配音、有声书或语音 Agent 的可以直接换：2000+ 音色、100+ 语言，克隆需 30 秒样本加语音授权
VOYGR 团队（两位前 Google Maps/Search 员工）在 Hacker News 发布 PlaceCall，一个让 Agent 和 App 直接致电商家的 API，首个场景是核实商家是否营业。团队称痛点来自自身经历：Google Maps 上的商家营业信息常不更新，连 Google 内部也难解决，于是自建 API 并先在内部使用。产品已入选 YC W26。原文正文在讲述 7 月 4 日波特兰找餐厅的经历处被截断，后续细节信息有限。
推荐理由做本地生活或 Agent 工具的可看：把「打电话核实营业」这类脏活封装成 API，省去自建语音外呼
Google 发布两款 Gemini Audio 系列语音模型：Gemini 3.8 Flash TTS 面向创意配音与角色设计，Flash-Lite TTS 面向高并发低成本生产，均通过 Gemini API 和 AI Studio 提供，仅 API 调用、不开源权重。新模型支持用自然语言逐句指导语气、节奏、方言，可从文本提示生成新音色，覆盖 100 多种语言和方言，并提供 2000+ 现成音色库。语音复刻需 30 秒样本和声音所有者口头同意录音，所有输出带 SynthID 水印。
推荐理由做配音、有声书或语音 Agent 的团队可直接换用，2000+ 音色库和逐句语气控制省去自建 TTS 的调参成本。
NVIDIA 在 Hugging Face 发布开源权重模型 Nemotron 3 Diarization，100M 参数，最多同时跟踪 8 位说话人，支持语音重叠场景，一个 checkpoint 同时覆盖离线录音与实时流式。权重采用 OpenMDW License 1.1，允许商用，通过 NVIDIA NeMo 在 Linux 上运行，支持 Ampere、Ada Lovelace、Hopper、Blackwell GPU。相比此前支持 4 人的 Streaming Sortformer，说话人上限翻倍。模型接收 …
推荐理由做会议转写、通话分析或语音 Agent 记忆的，可直接拿权重商用，8 人重叠场景有现成方案
ChatGPT Voice 迎来重大升级，全球可用，底层换成 OpenAI 新的 GPT-6 Astra、Sol 和 Luna 模型，并首次能调用邮件、日历、Slack 等插件。用户可直接用语音查日历、发邮件、让 ChatGPT 发现并取消财务应用里的重复扣款，甚至搭建带结账页的网站。语音功能也进入网页和移动端的 ChatGPT Work，说话即可生成文档、演示文稿和表格，最新版应用已上线。OpenAI 称这是迈向《Her》式日常 AI 助手的一步，但也承认伴随风险。
推荐理由语音现在能直接操作邮件、日历和 Slack，查日程、发邮件、搭网页都能一句话完成，已随最新版应用上线。
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型。Flash TTS 支持用文字提示定义音色的角色、口音和声线特征，内置 2000 多种预设音色（含墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体），支持 100 多种语言；用 30 秒音频样本即可克隆音色，但需被克隆者录制同意声明。两款模型均支持逐句舞台指示、双人对话模式，可生成数小时音频且说话人漂移极小。Flash-Lite 面向配音、音频内容和语音 Agent 的低成本规模化场景。所有生成音频带 …
推荐理由做语音 Agent 或配音的可以看：2000+ 预设音色、30 秒克隆、100+ 语言，还有实测暴露的杂音问题
Google DeepMind 推出两款文本转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。前者面向角色设计与创作，可用自然语言提示从零生成全新声音，支持 100 多种语言和方言，提供 2000 多个成品音色，并可用 30 秒音频样本复刻音色；后者面向高并发、低成本的配音和语音 Agent 场景。两款模型已在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vi…
推荐理由做配音、有声书或语音 Agent 的可以直接用，30 秒样本复刻音色，2000+ 现成音色覆盖 100 多种语言