英伟达发布开源语音识别模型 Nemotron 3.5 Transcribe，总参数 300 亿、每步仅激活约 40 亿，可在单张英伟达 GPU 上运行。模型支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别，单次可处理最长 1 小时、最多 8 人的录音，并通过文本指令控制输出转写、翻译或摘要。在 Hugging Face 英文开放 ASR 榜上以 5.33% 平均词错率位列开放权重模型第一；Artificial Analysis 测得 2.81%，接近参数更大的 Voxtral Small（2…
推荐理由单卡可跑、词错率 5.33% 登顶开放榜，做会议转写和说话人分离可直接换用
Nvidia 发布免费开源权重模型 Nemotron 3.5 Transcribe，支持最多 40 种语言的音频转录，可在 31 种语言与英语之间互译，能处理最长 1 小时的录音，并区分最多 8 位说话人。Nvidia 称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。该模型有 300 亿参数，可单芯片运行，覆盖 Jetson AGX Thor、DGX Spark 和 Blackwell 数据中心芯片。同时发布开源语音数据集 Granary 第 2 版。局限是不支持实时直…
推荐理由300 亿参数可单芯片跑、支持 40 种语言转录，做会议或医疗转写可直接评估替换方案
开发者以 Apache-2.0 协议开源窄带 TTS 模型 Hurston-1，称其对美式英语表现良好，尤其擅长美国南方口音和地区性非裔英语口音。作者表示自 2021 年起收集了超过 2 万人的完全授权语音数据、共 100 万条录音。模型托管在 Hugging Face，作者所在公司 Destined AI 位于亚特兰大。
推荐理由需要非标准美式口音语音合成的开发者可直接取用，Apache-2.0 可商用，训练数据规模 100 万条录音。
Block 发布了一款语音模型，称其听起来「异常像人」。该模型可在 MacBook M4 Max 上本地运行。原文未披露模型名称、参数规模、开源方式、具体性能指标和发布时间等细节，信息有限。
推荐理由关注本地部署语音模型的开发者可以留意，官方称可在 M4 Max 上离线运行。
Square 和 Cash App 母公司 Block 发布语音模型 Dessa，称这是首个完全用人类语音、不含任何文本数据、从零训练的 AI 模型。它不先把音频转成文本，而是直接处理语音，能实时捕捉情绪、反讽、笑声和停顿，并支持全双工对话，可边听边说。Dessa 可在 MacBook Pro M4 Max 上本地运行，训练使用单台 NVIDIA GB200 NVL72。目前尚未公开，Block 先招募 AI 安全研究者测试潜在风险，有意者可通过表单报名。
推荐理由语音 AI 首次完全绕开文本，情绪识别和全双工是可直接验证的新路线，安全研究者可申请试用。
巴黎语音 AI 公司 Gradium（从 Kyutai 分拆）开源端侧 TTS 模型系列 Phonon。英文版 Phonon 31m 采用 Apache 2.0 协议，q8 GGUF 文件仅 64.5 MB，输出 24 kHz 单声道音频，可在 CPU、手机、树莓派 5、浏览器（WASM/WebGPU）上运行，无需 GPU 和云端调用。CPU 上首帧音频延迟约 7 ms。在 Gradium 自测的 500 句困难集上 WER 为 1.70%，对比 Kokoro 的 3.50%；但在 Seed-TTS 评测集上 WE…
推荐理由64.5 MB 就能在手机和树莓派上离线跑 TTS，首帧 7 ms，做端侧语音应用可直接下载试用
IBM 发布开源语音语言模型 Granite Speech 5.0 2B，采用 Apache 2.0 许可，可将 6 种语言的语音转成文本。模型为 2B 参数稠密结构，LLM 主干基于 granite-4.0-1b-base，用 YaRN 扩展到 16k 位置，训练使用 39 万小时公开音频加合成数据，8 张 H100 训练 40 天。在 Open ASR Leaderboard 上以 5.68% 平均英文 WER 排开源权重第二，仅次于 Qwen3-ASR-1.7B 的 5.40%；LibriSpeech Cle…
推荐理由Apache 2.0 可商用，2B 模型能在 Mac 本地跑，关键词偏置最多 2000 词，适合做会议转写
MarkTechPost 实测了 Cactus Compute 的语音转文字模型 Whistle：该模型体积 16.9 MB，可在 CPU 上运行，支持 7 种语言，并能返回词级时间戳和概率。在 LibriSpeech 的 test-other 样本上，Whistle 领先使用贪心解码的 Whisper base，但与使用 beam search 的 Whisper base 相比没有显著差距；它的速度优势会随音频变长而缩小。测试还发现，固定版本的引擎在处理超过 30 秒的音频时，会静默丢弃中间部分。数据来自 Ap…
推荐理由想用 CPU 跑本地语音转写的人可以看：16.9 MB 模型对 Whisper base 的真实差距
SpaceXAI 发布实时语音模型 Grok Voice 3.0，在 Artificial Analysis 语音到语音指数上以 86.9 分排名第一，超过 GPT-Live-1（83.2）和 Gemini 3.8 Live Extended Thinking（82.6），上一代 Grok Voice 2.0 为 81.3。首音频延迟 0.81 秒，比 GPT-Live-1 的 1.34 秒低约 40%，但慢于 2.0 的 0.70 秒。τ-Voice 智能体任务得分 71.6%，仍低于 GPT-Live-1 的 …
推荐理由语音 Agent 可直接换：每分钟 0.08 美元不变，首音频延迟 0.81 秒，榜单第一
Fish Audio 发布 Drama 3，一个 35B 总参数、每 token 约 3B 激活的 MoE 文本转语音模型，权重已上 Hugging Face 并接入官方 API。模型支持 83 种语言、单次请求最多 16 个说话人，可用括号内的自然语言指令控制语气，如 [barely holding it together]。FP8 推理需至少 48 GB 显存的单张 NVIDIA GPU，不支持 CPU、Apple MPS 和 AMD ROCm。在 Artificial Analysis 发音鲁棒性测试中总体 …
推荐理由开源可自托管，48 GB 显存即可跑，做有声书、配音和多人对话可直接换用
开发者用 llamadart 0.11.0 在 macOS 上搭了一条全本地语音对话链路，让 Llama Village 的角色能听会说。两条路线：文本路线由 Qwen3-ASR 转写、3B 对话模型回答、Qwen3-TTS 朗读；直接音频路线用 Qwen2.5-Omni 接收录音并生成回答，但其 GGUF 转换只支持音频输入、不支持输出，回复仍需 TTS。默认配置改用更小的一组模型：Qwen3.5 0.8B 对话、Qwen3-TTS 0.6B Base 语音、Qwen3-ASR 0.6B 识别，五个小模型文件共约…
推荐理由想在 Mac 上跑本地语音对话的可以直接抄：5 个模型共 2.31 GB，Dart 代码全给出
苹果发布首款智能家居显示屏 HomeView，配备 7 英寸方形触控屏和内置 Siri AI，定位为智能家居控制器、个人助理和家庭中枢。设备有壁挂和桌面两个版本，屏幕为 Liquid Retina，可显示照片和多种表盘式界面。Home Widget 界面可控制恒温器、门锁、场景，并查看 HomeKit Secure Video 摄像头实时画面，解锁门锁需面容或 iPhone 认证。Siri 可调取短信、日历等个人上下文，演示中能回答航班到达时间并设置咖啡机定时。设备还配有 1200 万像素摄像头。原文为上手体验，未…
推荐理由了解苹果首款智能家居屏的实际交互和 Siri 上下文能力，判断是否值得等
开发者发布 Sayso，一款支持 macOS、Windows、Linux 的免费开源听写应用。按快捷键说话，文字即写入当前应用，语音识别完全在本地运行（Mac 用 Neural Engine，Windows/Linux 用 CPU），除非用户主动选择云端模型。macOS 端基于 WhisperKit 和 FluidAudio，Windows 用 ONNX Runtime 和 whisper.cpp，Linux 用 sherpa-onnx。支持 Parakeet、Whisper 等多种本地模型，也可接入 OpenAI…
推荐理由免费开源、本地跑语音识别，支持三大桌面平台，可替代付费听写工具。
苹果在智能家居活动上发布 HomeView 设备，配备方形屏幕，支持人脸识别、最多 6 名用户、类 iPhone 个性化体验和 Siri AI，生态封闭。同时更新 HomePod mini，售价 149 美元，比 2020 年初代贵 50 美元，搭载 S10 芯片，改善动态范围、响度和声学表现，支持语音控制智能家居、烟雾报警声检测并推送手机通知，Siri AI 多轮对话上线时间未公布。新款可与 Apple TV 4K 组成四扬声器家庭娱乐系统，也可作为 Mac 默认扬声器。新增 Sound Glow 视觉画布，随专…
推荐理由HomePod mini 涨价 50 美元、S10 芯片、Siri AI 多轮对话未定档，买前先看这三点
苹果发布售价 299 美元的新款 Apple TV 4K，搭载升级版 A19 芯片，集成新版 Siri AI 用于内容发现。硬件上新增三个远场麦克风，用户无需遥控器或 HomePod 即可直接与 Siri 对话。遥控器新增小型扬声器，便于寻找。用户可通过 Siri 提问搜索内容，如「今年艾美奖有哪些 Apple TV 剧集获奖」。该设备距上一代发布已四年，今日开启预售，11 月 13 日发售。
推荐理由299 美元、A19 芯片、免遥控语音，想了解苹果客厅 AI 入口进展的可以看
Apple 发布第四代 Apple TV 4K，售价 299 美元，是上一代首发价的两倍多，比现款顶配贵 50 美元。新机首次支持 Siri AI 语音助手，配备远场麦克风可免提对话，遥控器内置 Find My。搭载 iPhone 17 同款 A19 芯片，存储 128GB，支持 Wi-Fi 7 和蓝牙 6，11 月 13 日发售，10 月 13 日开启预售。Siri AI 以测试版形式在美英加澳等 8 个英语国家上线，回答以屏幕文字呈现而非语音播报，并可通过 iPhone 的 Apple Intelligence…
推荐理由299 美元买 A19 芯片加 Siri AI，比现款顶配贵 50 美元，想升级客厅设备的可以看
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的阿拉伯语语音识别模型，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语，五种语言共用一套权重，无需指定语言标记，并输出词级时间戳。在 TII 的评测中，该模型在 6 个阿拉伯语测试集上平均词错误率 20.92%，比榜单上最好的已发布结果低 2.25 个百分点（Audar-ASR-V1-Turbo 为 23.17%）。目前仅提供 Hugging Face 托管演示，未公布权重、许可证和 API，所有分数均为自报。
推荐理由1.6B 小模型在 TII 自测中超过 2.35B 的 Audar，但暂时拿不到权重，只能先用演示
在 HumanX 大会上，企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 表示，全双工模型（可边听边说）已经实现，但语音 AI 尚未迎来自己的「ChatGPT 时刻」，下一步挑战是让推理足够快，使对话自然流畅。Otter 的 CMO Alex Gay 认为，说话人识别、意图捕捉并结合组织知识是关键，公司还在研发可代表用户参会的数字分身。两人都指出 ASR 模型常漏掉关键词，影响上下文理解，转写不准确会让后续自动化动作出错、用户失去信任。
推荐理由看清语音 AI 的真实卡点：全双工已实现，瓶颈在推理速度和 ASR 准确率
开发者发布开源项目 Nikal，面向家庭跑腿场景：用户口述或粘贴混杂印地语、英语的语音留言，经 ElevenLabs Scribe v2 转写后，由通过 Backboard 调用的开源权重 Gemma 模型提取结构化任务，包括数量、取消项、目的地提示和澄清问题，用户逐条审核确认后生成按目的地分组的随身卡片。项目强调不静默丢弃信息——被取消的条目仍可见、数量保留、不确定项显式标注，且由人而非模型确认最终清单。Nikal 不自动购物、不发消息、不追踪 GPS。演示地址 nikalll.onrender.com，工作区存…
推荐理由做语音转任务类 Agent 可参考它的失败设计：取消项、数量、目的地都作为显式状态保留，而非交给模型猜。
开发者发布开源项目 Zero-Screen Dungeon Master（ZSDM），一款纯语音旁白的音频 RPG，用手机 GPS 记录真实步行距离推进剧情，约每 80 米触发一个故事节点。玩家把手机放进口袋，靠振动提示盲点屏幕左右半边做分支选择。项目用 Web Speech API 做离线语音旁白、Web Audio API 合成音效、Haversine 公式累计距离并过滤 GPS 噪声，支持 Screen Wake Lock 保持后台播放。冒险剧本可用本地 Gemma（经 Ollama）生成，代码已开源，提供 …
推荐理由想找 AI 语音 + GPS 玩法案例的可以直接读源码，语音合成和距离触发逻辑都能复用
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均词错误率（WER）为 20.92%，比所用排行榜快照中最佳公开结果 23.17% 低 2.25 个百分点。在 TII 内部阿联酋方言评测中，WER 为 22.73%、CER 为 10.19%，比次优的 Qwen3-Omni 低 4.07 个百分点。模型支持词级时间戳，训练数据覆盖阿联酋方言、现代标准阿拉伯语、其他海湾及阿拉伯方言和英语，…
推荐理由阿拉伯语方言 ASR 新 SOTA，WER 比 Qwen3-Omni 低 4.07 个百分点，做中东语音产品可直接测
ElevenLabs 的 9 个文本转语音模型和 2 个语音转文本模型现已接入 OpenRouter，开发者用现有 OpenRouter API key 调用 POST /api/v1/audio/speech 和 /api/v1/audio/transcriptions 即可，无需单独订阅 ElevenLabs。10 月 19 日早 8 点（PT）前所有模型按 OpenRouter 标价五折。推荐组合：Eleven v4 做旁白和角色配音，v4 Turbo 做语音 Agent 实时回复（费率为 v4 一半），Sc…
推荐理由语音 Agent 可直接用 OpenRouter key 调用，10 月 19 日前全部五折
微软 AI 于 10 月 1 日发布首个流式语音转文字模型 MAI-Transcribe-2-Streaming，同时推出 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 两款 TTS 模型。该模型在 Artificial Analysis 的 38 个模型评测中，最终转写和首个部分转写准确率均排第一：最终转写词错率 2.5%、语音结束后 0.13 秒出结果；首个部分转写同样 2.5%、0.12 秒。支持 60 种语言自动检测，收到音频后约 100ms 即输出初步结果，微软称内部测试出词速度…
推荐理由实时转写 0.13 秒出结果、词错率 2.5%，做语音 Agent 可据此选型
AI 音乐生成平台 Suno 上线语音（Speech）功能，进入公开测试，Web 和移动端均可使用。该功能可根据脚本或提示词生成语音，并能同时生成人声与背景音乐，合成为一条完整音轨。用户可在 Create 标签页选择 Speech，有 Simple 和 Advanced 两种模式：前者用提示词描述场景，后者可自定义脚本，并调整 AI 声音性别、语音风格和生成多样性。语音最长约 8 分钟，背景音乐可一键关闭。Suno 产品负责人 Jack Brody 承认功能尚不完美，称测试版中英式口音偶尔会飘到澳式，并会持续根据反…
推荐理由做配音、有声内容或播客的可以直接试：人声加配乐一次生成，最长 8 分钟，免费公测
亚马逊旗下 Audible 上线三项新功能：角色指南、互动故事和场景补充信息。角色指南 10 月 1 日随《Dracula》有声剧上线，实时显示说话角色并提供无剧透角色卡；互动故事由生成式 AI 驱动，听众可与德古拉仆人 Renfield 用自然语言对话，角色会实时回应。补充信息功能目前仅覆盖《The Cultural Tutor》一本。角色指南后续将用于《1984》和《Exoplanet》。2025 年美国有声书销售额达 24.3 亿美元。
推荐理由有声书开始用生成式 AI 做角色对话，做语音、互动叙事产品的人可以看这个落地形态。
ElevenLabs 发布新一代语音模型 Eleven v4，支持 90 多种语言（v3 约 70 种），单次请求最长 1 万字符、约 10 分钟音频。新架构可分析脚本语气、节奏和上下文，笑声、耳语、关门声等音效生成更可靠，长内容中旁白和角色音色保持一致。面向实时语音 Agent 的 Turbo 变体约 150 毫秒开始出声，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。发音基准得分 91.7%，v3 为 85.6%；盲测中约四分之三…
推荐理由做语音 Agent 可直接对比：Turbo 150 毫秒延迟、90+ 语言、10 秒克隆音色
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。
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 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
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。