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…

各相关单位： AVS标准工作组已完成团体标准《信息技术 高效图形数据编码 第3部分：点云主观质量评价方法》（标准计划号：2023092503）的起草，输出了征求意见稿。标准征求意见…

语音代理恰恰在通话中最重要的环节上掉链子：订单号、回拨数字、来电者必须记下的邮箱地址。Gradium AI 发布了一款全新的文本转语音（TTS）模型，并将其设为 API 和 Stu…

Cohere 发布了 Parse（parse-v5.0），一款面向高吞吐企业文档摄取场景的文档解析模型。它是一个 2.3B 参数的视觉语言模型，拥有 8,192 token 的上下…

Superwhisper 发布了 S1 系列模型：S1-Voice、S1-Language 和 S1-mini。S1-Voice 是云端语音转文本模型，S1-Language 是用…

Cartesia 发布了 Sonic-3.6，这是其实时文本转语音（TTS）模型的最新版本，距 Sonic-3.5 发布约三个月。这次的变化在于自然度，而且这一点是可以独立验证的。…

根据 QY Research 最新发布的市场研究报告，全球大语言模型 AI 对话系统市场正进入高速增长阶段，企业和个人用户正迅速采用对话式 AI 技术来提升客户互动、生产力、信息检…