Block 的 AI 研究实验室发布了 Dessa，一个仅用人类对话语音训练的全双工语音模型。Block 于 2026 年 10 月 23 日 以研究预览版的形式宣布了这一成果。D…

Liquid AI 发布了 LFM3，这是其新一代 Liquid Foundation Models。Liquid AI LFM3 是由 6 个开放权重、2B 级模型组成的系列，它…

Mistral AI 刚刚发布 Voxtral 3。Mistral Voxtral 3 是一套语音模型家族，并配套一个语音智能体 SDK。它包含 3 个转写模型、1 个文本转语音模…

Elevenlabs 发布了两款名为 Eleven Realtime 的全新语音识别模型。其中 Max 版本在Big Bench Audio 基准测试中得分高达 98.8% ，响应…

围绕声音创作、长语音分析、业务语音转写三类任务，蚂蚁百灵开源 Ming-3.0 语音系列，分别提供语音合成、音频理解与对话、语音识别三个系列，共五款模型。

本周，Fish Audio 发布了 Fish Audio Drama 3。Drama 3 是 Fish Audio 推出的一款文本转语音（TTS）模型，它接受用普通语言书写的表演指…

AI 实时翻译工具能在人们还在说话的过程中，就把语音变成翻译后的字幕或语音。如今这个市场已覆盖消费级应用、会议插件、活动平台和开发者 API。我们对照官方产品页、定价页和文档页，核…

阿布扎比技术创新研究院（TII）发布了 Falcon-ASR，一个 1.6B 参数的阿拉伯语语音识别模型。它聚焦阿联酋方言，同时也能转写英语、法语、西班牙语和葡萄牙语。在 TII …

Sarvam AI 发布了 Saaras V4，这是其语音识别模型的最新一代。它覆盖全部 22 种印度法定语言以及英语，现在还纳入了全球各地的英语口音。Sarvam 称其在全部 2…

Google 发布了 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，这是其 Gemini Audio 家族中的两款全新文本转语音…

消费者行为测量与分析领域的专业机构 Comscore 发布了其《2026 年第二季度 AI 情报报告》。报告显示，即便整个品类仍在持续扩张，消费者正在快速分散他们所使用的 AI 助…

SpaceXAI 发布了 Grok Voice Transcribe 2.0，这是其最新的语音转文字（STT）模型。开发团队称其在价格不变的前提下，准确率是 Grok Voice …

第一人称视觉交互要求 Agent 在动态社会环境中通过多模态对话和工具使用解决真实世界任务。EgoInteract 将采样帧视为视觉假设，维护证据账本，并通过官方工具将可见实体规范…

谷歌推出了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，这是迄今为止最先进的实时对话模型。两者都是专为实时语音代理构建的…

2026 年 9 月 14 日，Brand Engagement Network Inc.（“BEN”）与 Cataneo 一起在 IBC2026 上宣布推出对话式广告技术，旨在将…

ElevenLabs 近日发布 ElevenMusic 最新模型 Music v2.5，官方称新版生成的歌曲听感更饱满、更自然，并公布了大规模盲测数据作为支撑。 据公司披露，在共计…

Runway 于 2026 年 9 月 10 日发布题为《Towards Instant Video Generation》的研究博客，披露其在实时视频生成方向的最新进展。该公司明…

语音智能体团队总会撞上同一堵墙：音色库里有 400 个声音，而需求偏偏要的是库里没有的那一个：为蒙特利尔经销商找一个魁北克法语口音的前台，找一个六十多岁、带着讲堂级权威感的男声解说…

H Company 发布 NeoMME 系列多模态编码器,包含 260M 和 800M 两个双向 Transformer 模型，用单一塔处理多语言文本和 32×32 图像块，去掉了…

蚂蚁 inclusionAI 发布开源统一图像生成与编辑模型 LLaDA-Image，提供 50 步 Base 和 4 步蒸馏 Turbo 两类 checkpoint，均有 BF1…