Microsoft AI 在 Ignite 一次发布 7 款模型,覆盖编码、安全、图像、语音与路由
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Stretto 与 AWS Generative AI Innovation Center、CI&T 合作构建了破产咨询 AI 语音智能体 Tara,并基于 Amazon Nova 2 Sonic 完成端到端架构和生产部署。
Google DeepMind 开始向符合条件的 Google AI Ultra 订阅者推出新 Project Genie 体验,开放 Genie 4、Project Genie 智能体和社区画廊。
推荐理由:新体验集中展示了实时生成世界、智能体创作和社区分享的完整流程,为理解交互式世界模型的产品化路径提供了具体参考。
Hugging Face 以 Apache 2.0 许可证开源0.5B参数语音识别模型 Rumble-2-Flash,支持40+种语言,并原生支持 Transformers 和 vLLM。
推荐理由:通过与更大模型对比及通话场景评测,文章呈现0.5B语音识别模型在多语言、速度和鲁棒性上的表现。
ElevenLabs 宣布收购日本语音 AI 公司 Kotoba,预计交易于 2026 年第四季度完成。Kotoba 的语音模型 Koto 支持日语文本转语音、语音转文本和同声传译,并已被用于 Salesforce 的 Agentforce Voice;双方计划加强日本本地销售与基础设施投入。
Microsoft 在 Ignite 2026 发布 MAI 系列 7 个新模型,覆盖网络安全、编码、图像编辑、实时语音、转录和决策等场景。
Microsoft AI 发布首个语音到语音模型 MAI Realtime 1,基础使用定价为每分钟 $0.01。官方称该模型在质量、速度和价格上优于 GPT Realtime 2.1,位于 Big Bench Audio 语音推理与 τ-Voice 智能体任务完成基准的价格性能前沿。
AI 语音平台 Tone 推出面向内容创作者和作者的自助订阅服务,把书籍转成富有表现力的 AI 配音,并逐步开放声音克隆功能。创始人 Jordan Belfort 称平台已进入律所和健康保险公司的销售话术场景,延迟约 600 毫秒,采用自研的小型轻量模型而非前沿模型,语调应用已申请专利,与 ElevenLabs、Cartesia 竞争。
Audible 周一推出“audio discovery”功能,以 AI 生成书籍主题及读者喜爱内容的概述,并结合 Audible 编辑或作者的历史访谈录音。该功能首批面向美国部分英文作品,计划于 December 扩展 Recaps 和“Ask a Question”,且仅限已购买作品或拥有 Audible 会员权限的用户使用。
AWS 介绍了 AssemblyAI 使用 Amazon ECS、Amazon EC2 Spot Instances 和 Amazon SQS 优化大规模语音转文字推理成本的架构。
推荐理由:AssemblyAI 的案例完整展示了通过多类型 GPU 实例、SQS 重试和区域隔离控制推理成本并保障服务可用性的方法。
ElevenLabs 发布实验性应用 ElevenAI,将会议记录、语音听写和智能体集成整合为团队生产力工具。该应用仍处于预览阶段,需要申请早期访问,支持跨会议检索、实时协助、根据会议记录起草邮件,以及在支持 90 多种语言的应用中清理语音转写文本。ElevenLabs 同期推出具备实时转录和自有数据微调能力的 Scribe v3 系列语音转文本模型。
Meta 的 AI 智能体 Muse 现可代表用户致电美国企业,该功能已向所有美国付费订阅用户开放。Muse 拥有超过 1000 万用户,可代为联系有线电视公司、DMV 和餐厅等机构,并计划提供免费邮箱地址;但不少企业检测到 AI 后会立即挂断。
Apple 开售 Apple HomeView,售价 299 美元,提供银色、星光色、玫瑰粉色和深空灰色版本,并通过墙面安装版本面向家庭场景。
MOSS-Live 在 MOSS 官网公布的六项全双工指标中均居参评模型首位,其停顿抢话率为 1.44%,无关语音误接话率为 2.00%。与 GPT-Live-1、GPT Realtime 2.1 和豆包相比,MOSS-Live 的工具调用成功率为 51.00%、多轮任务成功率为 57.93%,但后者仍低于 GPT-Live-1 的 67.68%。
腾讯混元发布实时语音模型 Hy Realtime,新增智能体工具调用和唱歌能力。该模型已在元宝语音通话和腾讯客服上线,近期将通过腾讯云提供 API 服务。
美团 LongCat 开源 LongCat-Video-Avatar 1.6,用于单人和多角色音频驱动视频生成。该版本提升了口型与音频同步、面部和身体动作协调及长视频一致性,支持生成超过 10 分钟的视频,并加入端到端推理优化。
Meta的消费级AI智能体Muse现可代表用户致电美国企业,该功能面向所有付费订阅用户开放。订阅计划从 $20 per month 起,包含 500 million tokens per week;$100 per month 套餐包含 3 billion tokens。免费用户版 Muse 邮箱功能也将推出,但代打电话暂时仅限付费用户。
Microsoft Research Focus 第98期由 Anson Ho 汇总微软最新研究,涵盖 AI 语音翻译、31 年数学猜想 KLS 的突破,以及 AI 编程智能体效率优化。
The Verge 高级评测师 Jennifer Pattison Tuohy 实测了 Apple 首款智能显示屏 HomeView。她测试了 $299 的桌面式和壁挂版,覆盖烹饪、智能家居控制、通话及 Siri AI 能力;今日 2PM ET / 11AM PT 将回答订阅者提问。
ElevenLabs 发布面向录音和实时应用的 Scribe v3 与 Scribe v3 Live 语音识别模型,现可通过 ElevenAPI 和 ElevenAgents 使用。
Amazon SageMaker AI 宣布为双向流式推理引入按用量计费,模型提供商可在实时会话中报告实际使用量,并按 AWS Marketplace 约定收取软件费用。
Adobe 在 Max 大会上展示 Project Screen Test、Project Sight Span、Project Sound Bender 和 Project Rinse Repeat,分别探索角色对话式试镜、照片转 3D 场景、AI 音效混音与照片编辑复制。
DeepL 发布 Aure 模型,在实时翻译中保留原始说话者的语气、情绪、重音和语速。模型持续分析译文与原始音频,并通过强化学习减少目标语言中的口音影响,首发支持英语、德语、西班牙语、法语、意大利语、日语、葡萄牙语和韩语。Aure 已自动用于 DeepL Voice 的线上会议、面对面对话和 API。
Spotify 为 AI DJ 增加声音与个性选择,并允许用户减少歌曲之间的解说。新版提供 7 种英语声音和 2 种西班牙语声音,还可切换为简短回应模式。该功能于 11 月 10 日开始向已支持 AI DJ 的 95 个以上市场中的 Premium 用户推出。
Meta宣布将Muse AI智能体带到Apple Watch和Android Wear OS,用户可直接通过语音通话、短信或听写与Meta的AI助手交互。此次扩展发生在Muse推出专用iPad应用仅一个月后;该智能体还能管理邮件、会议和账单,并处理预订、购物及设定目标等任务。
Google 在 Google AI Edge Gallery 中推出端侧 ASR 与 TTS 能力。这两项能力可与 Gemini Nano、Gemma 4 等端侧 SLM 组合,组成完全离线的语音交互管线。
Otter AI 推出多语言转写功能,可在同一会议中跟随说话者切换语言并自动继续记录。完成部署后,平台将支持 31 种语言,其中 13 种已开放,另外 14 种即将推出。新增语言由 Otter 自有语音模型支持,模型使用公开数据集训练,并邀请母语志愿者审校转写准确率。
Simon Willison 使用 Claude Code 构建 Beep Locator,通过多台设备采集声音、交换提示音并基于声学定位估算房间内异响来源。系统以 Python Web 应用协调监听设备,通过 WebSockets 和 WebAudio 传输音频,用 Fast Fourier Transform 与高通滤波检测蜂鸣声,并将位置误差控制在约 40cm。
Zyphra 发布开源 TTS 模型 ZONOS3-Mini,采用稀疏 MoE 架构,拥有 100 million 激活参数和 800 million 总参数,并以 Apache 2.0 许可发布。
推荐理由:模型以较小参数规模实现端侧实时语音克隆,并提供浏览器及多种推理运行时,方便开发者评估部署路径。
Nvidia CEO 黄仁勋退出原定本周三在纽约举行的 ElevenLabs Summit,并取消了包括 Anthropic CEO Forum 在内的其他演讲活动。此前黄仁勋承认婚外情,Nvidia 也启动了针对其与潜在中国间谍关系的调查,事件引发业界对其 CEO 职位稳定性和 Nvidia 中国业务前景的关注。
Underdog 发布一款采用 Woof 语音模型的浏览器游戏,演示 32MB 模型如何离线运行在多数设备上。模型参数规模为 31 million parameters,并面向所有人开放下载;用户可在打字机上输入文字并由模型朗读,也可调节音乐生成器。
Cursor 上线与智能体的实时语音聊天功能,可在智能体窗口、IDE、Web 端和 iOS 版通过语音通话直接下达改动要求、询问进展并收听进度播报。语音聊天由 Grok Voice 驱动,提供 Ara、Eve、Leo、Rex、Sal 等声音,开启隐私模式后遵循零数据保留;iOS 上可通过 Hey Siri 发起通话。
Hugging Face 与 Liva AI 合作,为 Open ASR Leaderboard 增加埃及和尼日利亚英语口音的两组私有数据,时长分别为 1.34 小时和 1.55 小时,均采用自然对话风格。排行榜将按 Kachru 三大圈细分美国与非美国口音,并区分 Inner Circle 与 Outer & Expanding Circles,以提升 ASR 评测的代表性和可信度。
Meta宣布,Muse Voice现已面向美国所有用户开放,用户可以通过视频或语音与Meta的消费级AI智能体Muse聊天。该功能由Muse Realtime Avatar和Muse Realtime Voice技术支持,支持定制人物、动物或其他角色形象,并可通过细微表情和手势配合对话;目前覆盖移动端、网页和Mac,后续将支持AI眼镜及Muse Charm硬件设备。
Meta Muse AI 智能体新增实时语音对话功能,头像会随说话内容同步动画,并可通过提示或设置调整声音风格。该功能现已在美国的应用中推出,Meta AI 眼镜即将支持,预定今年发布的 Muse Charm 设备也会提供这一功能。
Google DeepMind 开始推出 Gemini Omni 1.2 Flash,并通过 Gemini API 和 Gemini for business 正式全面开放。
Aina 发布售价 $399 的 AI ring,配备屏幕、摇杆和麦克风,可与 AI 智能体对话、记录笔记并接听电话。它还能通过 Wispr Flow 或 Aina 自研听写引擎在 Mac 上口述,控制音乐和 Apple TV。周四开放早鸟预订,早鸟价 $399,之后售价 $499,计划于 2027年1月发货。
Gradium 发布 Phonon 端侧文本转语音模型,可在无服务器、无网络条件下生成语音,并开放模型权重。Phonon 31m 采用 Apache 2.0 许可,支持英语;另一个 40m 版本覆盖英语、法语、德语、西班牙语和葡萄牙语。
推荐理由:Phonon提供了离线运行、多语言支持和公开权重,榜单成绩与部署方式可供开发者评估实际采用价值。
Apple在iOS 27.3和watchOS 27.3开发者测试版中测试四项Audio Intelligence功能,Apple Watch Series 12可识别重要声音、辨认歌曲、回顾最近15秒对话并生成Siri Recaps。
Apple 开始通过 watchOS 27.3 开发者测试版推送 Audio Intelligence 功能,让 Siri 使用 Apple Watch 麦克风处理环境音频。