Inception Labs 發佈 Mercury 2.5,稱較 Mercury 2 智能提升 40%
Inception Labs 發佈 Mercury 2.5,稱其相較 Mercury 2 智能提升 40%,並維持低延遲、低成本的服務特性。
Inception Labs 發佈 Mercury 2.5,稱其相較 Mercury 2 智能提升 40%,並維持低延遲、低成本的服務特性。
Legato 宣佈 AI 助聽眼鏡 Legato Frames 現已開售,售價 $999 起,適用於有中度或以下聽力損失的成年人。產品把公司的專利助聽技術整合於眼鏡鏡臂,AI 系統會分辨人聲與背景噪音,放大人聲並降低不需要的聲音;公司稱所有處理均在眼鏡上完成,沒有攝影機或錄音。
Suno 在網頁及手機平台推出 Speech 公測功能,可根據提示描述或自訂稿生成口語,並同步生成配樂。Simple 模式以提示描述生成,Advanced 模式可輸入自訂稿並調整 AI 聲音性別、説話風格及生成多樣性;配樂可關閉,最長時長約 8 分鐘。Suno 表示功能仍在 beta 階段,會根據用户意見持續改進。
Microsoft AI 發佈 MAI-Transcribe-2-Streaming 即時轉錄模型,以及 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 兩款文字轉語音模型。
DuplexJev 提出將 ASR 編碼器的隱藏狀態經小型連接器送入凍結的 LLM,直接以單個 Token 對選項作分佈預測,無需自回歸解碼。在 8-GPU 節點上,系統約 0.1 s 內可針對八段語音作出 80 項決策;使用最後一層連接器時,語音問答準確率為 90%,接近讀取逐字稿的 91%。
Tavus 發佈 Griffin,稱其為首個「Human Interaction Model」(HIM);其研究中,48% 參與者在一分鐘視像通話後認為 Griffin 是真人。
Sarvam AI 推出 Bulbul V4 Flash 文字轉語音模型,面向即時應用,改善印度語言語音的自然度與表達能力。模型在生產環境的 time-to-first-audio 低於 250 ms,收費為 ₹20 per 10,000 characters,較 Bulbul V3 的 ₹30 per 10,000 characters 低三分之一。
Hugging Face 建立 Open TTS Leaderboard,以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度(RTFx)、首段音訊延遲(TTFA)及説話者相似度(SIM),可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選,並設有 Listen 頁籤供用户比較生成音訊及投票;其指標不直接衡量自然度、表現力或聽者偏好。
推薦理由:排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現,並保留聆聽投票,方便比較多語言及聲音複製模型。
Gemini Live API 可用於建立即時語音 AI 智能體,透過雙向 WebSocket 同時傳送和接收音訊,支援即時回應及用戶插話。建議並行處理麥克風上行音訊與模型下行語音,並在麥克風偵測到用戶説話時立即靜音及清除播放緩衝區;Gemini Live 內置 VAD 負責偵測語音活動。工具操作可非同步執行並即時回傳確認,避免較慢的外部操作令語音生成停頓。
QwenAudio 的 qwen-audio-agent 發佈 v2.0.1,改進本地後端 Agent 的偵測與安裝,並支援 DeepSeek Harness 原生 ACP。更新會重用現有 Agent,只從官方最新發佈版本安裝缺少的元件,亦修正 coordinator Session 持續使用問題。
網易有道開源實時語音模型 R2T2 和 T3PO,兩款模型發布數日後分別登上 Hugging Face 的 ASR 和 Translation Trending 榜第一。R2T2 是 2B 參數的流式語音識別模型,採用「只增不改」方式,平均識別延遲為 200 至 600 毫秒。T3PO 是 15B 參數的中英同聲傳譯模型,提供低延遲、原生和高質量三種模式,採用 Apache 2.0 協議。
Sarvam AI 發佈 Saaras V4 語音識別模型,稱其在 22 種印度語言達到 SOTA,並支援五種轉寫格式。模型結合音訊編碼器與從零開始訓練的 3B 混合狀態空間 LLM 解碼器,在七個英語基準測試中取得最低平均 WER。Saaras V4 支援低延遲串流,首個 token 延遲低於 150 ms。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar,將近乎即時視像生成與語音結合,讓企業智能體以動態虛擬形象進行多模態對話。
Fun-Audio-Chat-8B 已發佈,並提供模型、訓練及推理程式碼,供自然、低延遲語音互動使用。模型採用 5Hz 共享骨幹與 25Hz 精細化輸出頭的雙解析度語音表徵,在維持語音質素下可減少近 50% GPU 使用時數。它支援語音問答、音訊理解、語音函數調用、語音指令跟隨及語音共情。
Google 於 2026 年 9 月 23 日發佈 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS,兩者可按自然語言指示生成語音。
研究提出免訓練的 Accent Analogy Guidance(AAG),用於跨語言零樣本文字轉語音,在相同口音下提升説話者相似度。四個開放式 TTS 模型中,AAG 均高於口音與説話者身份的取捨曲線;OmniVoice 在三個測試集的 ΔSIM 為 +0.11 至 +0.27。
Google DeepMind 推出 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS,支援自訂聲線、逐句控制表演及雙人對話生成。
推薦理由:兩款 TTS 模型涵蓋逐句演繹與長篇生成,Flash TTS 另可自訂聲線;聲音複製設有同意驗證,生成音訊加入 SynthID 水印,呈現創作控制與防護安排。
inclusionAI 發佈 Ming-3.0-tts-0.5B 語音合成模型,基於 Qwen2.5-0.5B,支援中文、英文等七種語言及四川話、粵語方言控制。
inclusionAI 發佈 Ming-3.0-tts-tiny,這款基於 Ling V3 的 MoE 語音合成模型共 7.9B 參數,每個 token 約啟用 1.3B 參數。
Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 正式提供文字轉語音(TTS)服務,Gemini API 同時推出 Voices endpoint(/v1beta/voices)。
博智感知交互研究中心(CPII)連續第三年與香港電台合作,在2026年《施政報告》現場直播中部署升級版「即時語音轉摘要會議助手」,即時提供字幕、分節逐字稿及政策摘要。新版本以經錯字修正的完整句子生成摘要,並擴展日語、俄語、印地語、法語、韓語、西班牙語及葡萄牙語支援。
inclusionAI 發佈 Realtime-Venus 全雙工互動系統,提供視聽版 Realtime-Venus-Omni 與音訊版 Realtime-Venus-Audio,兩者均為 9B。
Google 於 2026 年 9 月 15 日發佈語音對話模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,兩者可在持續對話時理解視覺資訊及非同步呼叫外部工具。
推薦理由:兩款模型分別面向快速、具成本效益的語音智能體與複雜多步任務,並可在不中斷對話下呼叫工具,清楚區分兩者的適用場景。
Google DeepMind 發佈 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking,前者面向規模化與成本效率,後者針對高複雜度任務。
推薦理由:文章區分兩款模型在規模化成本效率與高複雜度任務上的定位,並列出語音代理基準成績,方便比較其應用取向。
Google 表示,其技術與產品現已支援超過 300 種語言的日常互動,涉及逾 70 億人,約佔全球人口 86%。在語音方面,Google 以 Gemini 等模型直接處理音訊,目標支援全球最常用的 1,000 種語言,並透過 WAXAL、Project Vaani 等合作擴充地方語音資料。
OpenMOSS 開源 MOSS-Transcribe-Diarize 0.9B,這款端到端音訊理解模型可在單次處理中完成長篇多説話人音訊轉寫、説話人分離及時間戳標註。模型支援 50+ 種語言,亦可選擇輸出聲學事件標註。整體表現更高的 MOSS-Transcribe-Diarize Pro 可透過線上 playground 使用。
Gemini API 正式開放 Gemini 3.8 Live(gemini-3.8-live)及 Gemini 3.8 Live Extended Thinking(gemini-3.8-live-extended-thinking)兩款音訊轉音訊模型,供 Live API 即時語音應用使用。
香港人工智能專業協會代表出席黃大仙區「AI 防騙分享會」,講解換臉、扮聲及虛假訊息等詐騙手法,並即場示範以相片生成旅遊照片。分享會提出三項自保做法:有懷疑先掛斷並自行回撥已知號碼、追問只有真人才知道的事,以及透過視像通話要求對方即時做指定動作。
OpenAI 已開始透過 API 提供語音模型 GPT-Live-1,開發者可用它建立能在用戶發言期間聆聽、處理插話和要求變更的語音智能體。
Tongyi Lab 發佈 Fun-ASR 端到端語音識別模型系列,分為支援中英日及中文方言的 Fun-ASR-Nano-2512,以及支援 31 種語言的 Fun-ASR-MLT-Nano-2512。兩款模型均為 800M 參數,前者以數千萬小時語音訓練,後者以數十萬小時語音訓練。兩者均可接入 FunASR 作推理與服務,項目亦提供 vLLM 批次推理、即時串流及 WebSocket 服務路徑。
OpenAI 將 GPT‑Live‑1 引入 API,提供自然的全雙工語音對話及更強的指令遵循能力。它亦支援自訂聲音及電話服務。
推薦理由:原文列出全雙工對話、指令遵循、自訂聲音及電話支援,能讓讀者迅速掌握 GPT‑Live‑1 接入 API 後涵蓋的語音能力。
FireRedTeam 公開 FireRedTTS3 語音生成與編輯系統,並提供 FireRedTTS3-Base 和 FireRedTTS3-Instruct 兩個版本的模型與 PyTorch 程式碼。
FireRedTeam 發佈 FireRedAudio,一款以共用 9B 參數 LLM 為基礎、涵蓋音訊理解與語音生成的音訊語言模型。Audio Encoder 負責理解、RedAE pathway 負責生成;模型支援 ASR、音訊理解、零樣本及指令式 TTS、語音編輯,並可處理最長一小時的錄音。除 ASR 外,其他功能只支援中文和英文。
MOSS-TTS-Nano 示範網站展示一款 100M 參數的多語言語音生成模型及樣本,模型支援 CPU 推理和聲音複製。網站提供模型下載及本機執行方式;ONNX CPU 部署、聲音複製和微調的資訊則見 MOSS-TTS-Nano README。
OpenMOSS 團隊與 MOSI.AI 發佈開源語音生成模型 MOSS-TTS-Nano,參數量為 0.1B,支援 20 種語言。模型提供聲音複製和串流生成,並採用 Audio Tokenizer + LLM 純自回歸架構。ONNX CPU 版本在團隊測試中處理效率接近原版的 2 倍,並可在 MacBook Air M4 單核流暢運行。
OpenMOSS 團隊開源 MOSS-Audio,推出 4B、8B 的 Instruct 和 Thinking 版本。模型支援語音、環境音及音樂理解、音訊描述、時間感知問答與複雜推理,並採用跨層特徵注入和時間標記設計。在 MMAU、MMAU-Pro、MMAR 和 MMSU 四項通用音訊理解基準中,MOSS-Audio-8B-Thinking 的平均準確率為 71.08。
呼叫中心 AI 的推行應視為營運模式變革,先選定一條客戶旅程,訂立基準及擴展準則,再於真實渠道條件下驗證完整流程。指南聚焦自主語音及由 AI 路由的旅程,涵蓋渠道與系統銜接、路由和佇列安排、人手規劃、品質校準及故障復原,並指出客服代表輔助、預測和品質分析部署須採用不同切換準則。
Sierra 的企業級 Voice AI 指南説明,AI 語音智能體可結合客戶背景及業務系統,在通話中處理要求並完成工作。企業準備程度須以整通電話作端到端評估,涵蓋延遲、輪流發言、語音辨識、上下文、操作、護欄及轉接七項測試,並納入噪音、打斷、模糊請求和整合失敗等情況。Sierra 的 tau-voice 基準以 278 項客戶服務任務,結合真實音訊及重疊發言,測試對話行為與資料庫狀態是否正確。
Voice Arena 與 Hugging Face 為 Open ASR Leaderboard 加入 Monsoon en-IN 和 Monsoon hi-IN 評測集,涵蓋 Indian English 與 Hindi,令 Hindi 成為其多語言分頁首個 Indic language。
推薦理由:這批評測集把説話者背景與可接受的拼寫變體納入 ASR 評估,讓總體 WER 之外的區域差異和 Hindi 正字法誤差更容易被辨識。
Google DeepMind 發佈 Gemini 3.5 Transcribe,這是一款面向智能語音互動的語音轉文字模型。它可透過 Live API 以低於一秒的延遲進行即時串流,亦可經 Interactions API 處理預錄音訊,提供説話者歸屬及逐字時間戳。
推薦理由:材料同時提供串流與非串流 WER,以及相較 Chirp 3 的最終轉錄時間改善幅度,讓準確度與延遲兩項表現有具體數據可供對照。