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
亚马逊今年没有办秋季硬件大会，改为 10 月内分批发布：Fire TV、Kindle、Alexa Tablet Pro 12、Ring 首款智能锁、Bee 可穿戴新品、Blink 4K 摄像头。本周在纽约的小型活动上，设备与 Alexa 高级副总裁 Panos Panay 用约 45 分钟发布 5 款 Echo 产品：Echo Show 16、Echo Time、Alexa Photo Frame、带家庭摄像头的 Echo Studio 和新 Echo Dot。Echo Show 新增专属主屏、智能家居 3D 地图…
推荐理由想了解亚马逊智能家居新品和 Alexa Plus 新能力的人，可快速掌握 5 款 Echo 新品与 Card 对话界面。
语音 AI 平台 Retell AI 的月通话量从 2026 年初的 3000 万增长到 9 月的 1 亿以上，服务超过 4000 家企业。目前 80% 的通话由 OpenAI 模型生成回复，客户的问题解决率超过 80%，累计消耗的 OpenAI 模型 token 超过 1 万亿。Retell 自建的 vCX 基准测试显示，GPT-6 Astra 在指令遵循上以 89.7% 排名第一；GPT-6 Astra 发布前的评测中，GPT-5.5 在开启推理时，非幻觉率 88.0%、工具调用正确率 88.3%，均高于 Ge…
推荐理由做语音 Agent 的可参考：80% 通话由模型生成、解决率超 80%，以及 vCX 基准的模型对比数据
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。
Jack Dorsey 旗下 Block 发布语音模型 Dessa，称其完全基于人类对话数据从零训练，是真正的语音到语音模型，可在 MacBook Pro M4 Max 或更高配置上本地运行。官方展示的对话样本有自然往返，但偶尔出现把说话人误认成“Ronaldo”之类的错位。团队称开发动机是好奇心、增进人机理解与安全，并指出当前语音 AI 把语音压成文本、跟不上人类节奏、听不出情绪。Dessa 将向小范围 AI 安全研究者开放早期访问。
推荐理由语音模型开始绕开文本中转，本地可跑，做语音 Agent 的可以留意这条路线
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。
Spotify 周二宣布，iPhone 升级到 iOS 27 后，用户向 Siri 点播音乐、播客、有声书等内容时不再需要说「on Spotify」。Siri 会学习用户的音乐 App 偏好，若长期使用 Spotify，音频请求将自动路由到该应用。该功能还支持请求个性化推荐、继续播放播客、搜索曲库，以及用 AI 创建 Prompted Playlist。功能面向全球 iPhone 15 Pro 及更新机型、且已在设置中开启 Apple Intelligence 的用户，欧盟地区除外。
推荐理由用 iPhone 15 Pro 以上、开了 Apple Intelligence 的 Spotify 用户
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
苹果将于 10 月 13 日在纽约举办首届智能家居专场活动，预计发布智能显示屏（或名 HomeView）、新款 HomePod Mini 和 Apple TV。据 Bloomberg，智能屏配 6 英寸方形屏幕，可壁挂或置于音箱底座，支持人脸识别显示个人消息与日历、控制门锁和恒温器、FaceTime 与对讲，售价或为 350 美元。该设备将搭载围绕 Siri AI 打造的全新 homeOS。苹果是三大巨头中最后一个把生成式 AI 引入家庭助手的公司，Amazon 和 Google 去年已推出相关产品。
推荐理由看苹果智能家居首秀的硬件规格、350 美元定价和 homeOS 软件路线
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
Mira 是一个 AI 语音导览产品，在用户浏览街景时同步讲解周边景物。旧金山和巴黎的导览对所有人免费开放、无需注册；其他城市及用户自建导览需登录，注册后赠送 30 分钟免费时长。官方称登录用于区分真人与机器人。目前该产品在 Hacker News Show 板块获得 16 点热度。
推荐理由想体验 AI 语音导览或做 LBS 语音讲解的，可免费试旧金山、巴黎两条线路
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
Google 发布 AI Edge Foresight，对标会议笔记工具 Granola。该应用为离线会议记录器，可在设备端完成对话转录、生成笔记并回答问题，无需联网。原文信息有限，未披露支持的平台、上线地区和具体发布时间。
推荐理由常开线上会议又担心录音上传云端的人，可以留意这款纯端侧转录工具
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
在东京独居四年的开发者发布 Before I Call，用户描述要打的电话（房屋维修、诊所、快递、市政厅等），AI 扮演对方用礼貌日语一问一答，不评分。卡住时可点 Explain question 看解释和可用回复，AI 看不到；支持 0.7 倍速重放、重复提问、汉字标假名和罗马音。挂断后生成通话卡片，含全文读音、释义和生词表，可下载 PDF 当真实通话的备忘单。应用不会编造日期、价格或可用性，也不能代为预约，仅用于练习。
推荐理由在日生活或学日语的人可免注册试用，通话记录能直接导出 PDF 当话术卡
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 音乐生成器 Suno 新增 Speech 功能，用户输入文字或创意并描述想要的音色和音乐风格，模型会一次性生成语音和配套背景音乐，合成单条音轨。产品负责人 Jack Brody 称该功能已小范围测试一个月，可用于诗歌、冥想和睡前故事，但测试版仍有 bug，例如英式口音有时会听起来像澳式口音。Suno 未透露训练方式。目前 AI 音乐生成器正面临版权侵权批评，多家主要唱片公司已起诉 Suno，慕尼黑法院近期也作出不利于该公司的裁决，拒绝将合理使用作为使用受版权保护数据的理由。
推荐理由做播客、有声内容或冥想音频的可以试，一个输入同时出人声和配乐，省掉后期配乐环节
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。
AI 语音公司 ElevenLabs 估值翻倍至 220 亿美元。此次 3 亿美元的员工股权转让（tender offer）由 Wellington 和 T. Rowe Price 联合领投。原文信息有限，未披露融资总额、公司营收等细节。
推荐理由语音合成赛道估值标杆，3 亿美元员工股权转让由两家老牌资管联合领投
亚马逊发布新款 Fire TV Stick 4K，售价 59.99 美元，今日开售。最大变化是不再需要电源适配器，可直接通过电视 USB 口供电，设置更简单。设备搭载更新版 TV OS，支持 Wi-Fi 6、蓝牙 5.3 和低功耗蓝牙。产品线从五款精简为四款：Fire TV Stick HD、4K、4K Max 和 Fire TV Cube，新款 4K 取代此前的 Select 和 Plus 版。同步推出重新设计的遥控器，售价 14.99 美元，10 月底发货，兼容 2019 年起的 Ember 电视和 Fire …
推荐理由流媒体硬件与 Alexa AI 整合的更新，关注智能电视入口和语音助手落地的读者可看。
彭博社 Mark Gurman 报道，苹果传闻已久的智能家居中枢将于 10 月 13 日与新款 HomePod mini、升级版 Apple TV 一同亮相，三款产品均主打 Siri AI。该中枢是苹果新品类，配 6 英寸屏幕，可壁挂或置于台面，厚度约与 iPhone 相当，边框类似旧款 iPad；采用圆形金属底座内置扬声器和麦克风，屏幕可倾斜，另售壁挂版本。设备无电池，用 USB-C 供电，提供标准灰色铝金属配色。系统围绕 Siri AI 打造，倾向 iPad 式应用，Messages 为双栏布局，支持控制智能设…
推荐理由想了解苹果 AI 硬件落地节奏的人可看：10 月 13 日发布、6 英寸屏、USB-C 供电等具体信息。
Konrad Zieliński 因癌症失去声音，2023 年创办 Uhura Bionics，推出两款非侵入式可穿戴发声设备，高端款名为 Whitney，售价 1500 美元，基础款 500 美元。设备无需手术，可让喉切除者说话并带情绪、笑、喊甚至唱歌。目前按健康设备销售需自费，公司正申请欧洲和美国 Class I 医疗器械认证，以获得部分医保报销。他估计喉切除者设备市场约 20 亿美元，竞争对手包括 Atos Medical 和 Laronix。下一步将增加女性高音选项和个性化音色。
推荐理由喉切除者发声设备 1500 美元，正申请 Class I 认证走医保，做医疗 AI 硬件的可看定价与合规路径
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
会议记录工具 Fireflies.ai 在 Mac 和 Windows 桌面应用中推出听写功能 Fireflies Talk，用户按 Mac 的 Fn 键或 Windows 的 Ctrl + Win 键即可在任意应用中开始口述，语音会被转写并整理进当前文本框。该功能打包进现有订阅，不单独收费。公司称不保留录音，转写文本仅存本地。CEO Krish Ramineni 表示，人说话速度约为打字的 3 倍，会议只是起点，目标是让 AI 助手 Fred 覆盖全天工作场景。此前 Fireflies 已推出会议洞察 mini-…
推荐理由已在用 Fireflies 订阅的用户可直接免费用上听写，对标 Wispr Flow 等付费工具