跳到正文
#语音
10月21日周三
  7. Hacker News-首页84

    Mistral 发布 Voxtral 3 语音模型系列与实时语音智能体 SDK

    Mistral 发布了 Voxtral 3 语音模型系列与实时语音智能体 SDK，涵盖语音转文本、文本转语音及流式智能体管线。该系列支持 50 多种语言与方言，具备高精度转录、情感自适应语音合成及端到端工具调用能力。Voxtral 3 提供欧洲托管 API 以及支持私有化部署的自建方案，满足企业的数据主权需求。

    发布时间：

    推荐理由：Mistral 推出了覆盖语音识别、语音合成与实时智能体 SDK 的 Voxtral 3 系列，支持多语种和本地化部署，为开发者构建端到端语音应用提供了新的架构选择。

10月20日周二
  3. TechCrunch：AI62

    Yelp 上线 Check for Me：AI 语音智能体代你致电餐厅查询等位时间

    Yelp 推出名为 Check for Me 的新功能，允许用户通过应用内的语音智能体代其致电餐厅查询等位时间并将结果发送至手机。此外，该平台还集成了 OpenTable 以支持直接预订，升级了聊天历史记录与个性化偏好记忆，并为商家推出了定价每月 30 美元的 Smart Lead Reply 付费产品以自动化处理客户咨询。

    发布时间：
  9. IT之家·人工智能62

    蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别

    蚂蚁百灵今日宣布开源 Ming-3.0 语音系列，共推出覆盖语音合成、音频理解与对话、语音识别三个方向的五款模型。Ming-3.0-tts 支持文字描述音色与导演模式的台词表演控制，Ming-3.0-audio-flash 和 tiny 可直接对长音频进行转写、总结和观点分析，Ming-3.0-asr-tiny 则通过高质量语料和上下文理解提升真实业务中的语音识别效果。

    发布时间：
  13. Ant Ling62

    蚂蚁百灵开源了 5 个 Ming-3.0 系列语音模型，涵盖 TTS、Audio 和 ASR 三个语音家族。具体包含 Ming-3.0-tts（包含 0.5B 与 7.9B 激活 1.3B 的 Tiny 版本）、Ming-3.0-audio（包含 Flash 126B 激活 6.5B 与 Tiny 9.3B 激活 2.7B 版本）以及 Ming-3.0-asr（Tiny 8.6B 激活 2B 版本），分别支持语音设计、长音频理解与方言识别等能力。

    发布时间：
10月19日周一
10月17日周六
  1. 量子位31

    网易首个AI原生语音Agent「网易叭哥说」上线并发起 10 万元用户荣誉联创计划

    网易首个AI原生语音Agent「网易叭哥说」上线并启动投入 10 万元的“用户荣誉联创计划”，设置 11 个名额且单人最高可得 5 万元，不设学历专业门槛。该产品口语输出对键盘打字的效率比值提升至 5 倍，支持 124 个语种实时语音互译，且专业领域翻译精准度可达 98%。

    发布时间：
10月16日周五
  1. ElevenLabs28

    NTT Docomo Business 正在为福岛县会津若松市的老年居民测试一款基于 ElevenAgents 构建的 voice agent。冬天的暴雪会让老年居民很难出门。在武田健康基金会和会津若松市政府的配合下，NTT Docomo Business 部署了其 AI 助手 CONN，用于分享本地信息并进行日常对话。阅读完整故事：https://elevenlabs.io/blog/ntt-docomo-conversational-ai

    发布时间：
  3. AIHot60

    Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布

    Hojo-ASR-Multi-V1 是一款开源多语言 ASR 模型，在 5 种语言上平均 WER 为 3.54，采用声学编码器加 Qwen3-4B 解码器的架构。该模型面向多语言对话语音识别，以 Apache 2.0 许可在 Hugging Face 公开，可通过 hojo-asr Python 包安装并支持本地推理，接受 WAV 路径、音频字节流和 SCP 输入。

    发布时间：
  4. Hugging Face Blog68

    Granite Switch 4.1 发布：在一个端点中集成聊天、决策和语音能力

    Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。

    发布时间：

    推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。

10月15日周四
  1. Apple Machine Learning Research39

    语音基础模型中基于语言选择维度的语码转换检测

    研究人员提出了一种直接从语音中检测语码转换的轻量级方法，利用预训练语音编码器中的帧级语言信息来识别单个话语中是否存在多种语言。基于CS-FLEURS中14个语言对的测试结果表明，Whisper-small编码器实现了0.798的平均F1分数，优于CNN基线的0.776和HuBERT线性基线的0.751。

    发布时间：
10月14日周三
  1. TechCrunch · AI31

    Zenzap 融资 4400 万美元，打造旨在替代职场 WhatsApp 的 AI 聊天应用

    Zenzap 宣布完成 4400 万美元融资，用于推广其面向职场沟通、内置 AI 功能并符合安全合规要求的私密聊天应用。该平台提供免费版及起步价为每月 51 美元（支持最多 20 名用户）的付费方案，包含 AI 语音聊天、智能搜索及工作流自动化等功能。目前其客户群体涵盖 FedEx、Dollar General、Taco Bell、Starbucks 等企业。

    发布时间：
  2. MiniMax (official)62

    MiniMax 联合 FastVideo 和 nuvalab 推出了开源实时音视频生成模型 FastH3-Omni，支持单提示词生成带同步音频的视频。该模型具备首尾帧条件控制、音频输入与对话能力以及最多 3 张参考图输入，并在 Reactor API 提供独家预览至 2026 年 10 月 20 日。

    引用reactor@reactorworld

    Introducing FastH3-Omni. The fastest and highest-quality open-source version of realtime H3 by @MiniMax_AI, post-trained by FastVideo @haoailab with @nuvalab. Exclusive preview on the Reactor API until 10.20.2026. • First and last frame conditioning • Audio input + strong dialogue • Up to 3 reference images • Frontier-level performance

    发布时间：
  3. OpenAI News63

    OpenAI 旗下 Higgsfield 平台支持生成超过 10 分钟的 AI 视频

    OpenAI 旗下 Higgsfield 平台更新，通过集成 GPT-6 Astra 模型将视频生成时长从 1 分钟提升至 10 分钟以上。同时引入 GPT-Image-2.5 提供更精确的视觉效果，并利用 GPT-Live 开启语音电影制作功能。

    发布时间：

    推荐理由：OpenAI 旗下 Higgsfield 平台通过集成 GPT-6 Astra 等模型，将 AI 视频生成时长提升至 10 分钟以上并引入语音电影制作功能。

10月13日周二
  1. The Verge · AI66

    Apple 发布首款智能显示屏 HomeView

    Apple 发布首款智能显示屏 HomeView，售价 299 美元，提供桌面版与壁挂版。该设备搭载 7 英寸 Liquid Retina 显示屏、1200 万像素摄像头及 Siri AI，支持 Matter 和 Thread，可联动 Apple Home 智能家居设备，并借助面部识别与 iPhone 靠近网络实现多用户智能切换。

    发布时间：
  3. AIHot61

    Apple 发布搭载 Siri AI 的新一代 Apple TV 4K

    Apple 发布搭载 Siri AI 的新一代 Apple TV 4K（第 4 代），内置远场麦克风支持全屏对话式搜片与免提交互。Siri AI 以 beta 形式登陆 tvOS 27.2，支持 Apple TV 4K 第 2 代及后续机型，首发覆盖 8 个国家和地区；新机美国定价 299 美元，今日起在 30 个国家和地区开启预购，11 月 13 日正式上市。

    发布时间：
  4. AIHot63

    Apple 发布 7 英寸智能音箱 HomeView，搭载 Siri AI 售价 299 美元

    Apple 今日推出配备 7 英寸 Liquid Retina 显示屏的 HomeView 智能音箱，集娱乐、FaceTime、家庭监控和语音自动化于一体，标准版与壁挂版均定价 299 美元，将于 11 月 13 日起在美英加澳等市场发售。该设备支持面部识别与多用户个性化体验，搭载大幅增强的 Siri AI，并因 Siri AI 暂不可用而不在欧盟销售。

    发布时间：