登顶 HF 热榜、下载达 20 万：有道子曰 Confucius4-R2T2 模型技术报告发布
网易有道开源语音识别模型子曰 Confucius4-R2T2 在开源仅 4 天后登顶 Hugging Face ASR 热榜第一，模型及各量化版本全球累计下载量已达 20 万次。社区陆续推出量化版本与不同运行环境的适配，Confucius4-R2T2 技术报告也已上线论文平台。
#语音
开源中国AI 评分3838 雷峰网AI 评分2727 更强的模型之外，ACM MM 2026 还在关注什么？
第 34 届 ACM Multimedia 将于 2026 年 11 月 10 日至 14 日在巴西里约热内卢举行。四位主题演讲嘉宾分别聚焦具身 AI 参与人际交流、多人说话场景下的选择性听觉注意、AI 摘要“委托阅读”的责任审查，以及让青少年参与多媒体系统安全设计。这些议题显示多媒体研究正与更具体的人、更复杂的环境和更长远的影响结合。
TechCrunch · AIAI 评分4545 实测 Apple Siri Recaps：出奇好用，也有点让人不安
Apple 于本周二在 iOS 27.3 和 watchOS 27.3 首个开发者测试版中推出 Siri Recaps 等 Audio Intelligence 功能，可将 Apple Watch Series 12 佩戴者一天中听到的关键对话内容自动总结为笔记，实测成功记下了车辆维修的免赔额、修理时间等口头信息。
The Verge · AIAI 评分5757 Apple 通过 iOS 27.3 向第三方应用开放 Siri AI 操作能力
Apple 在 iOS 27.3 开发者预览中宣布，第三方开发者可将 Siri AI 的新功能集成到所有应用，让语音助手利用个人上下文、自然语言提示和屏幕感知执行操作，并新增可将多个任务合并为单一动作的 app skills 功能。
The Verge · AIAI 评分5050 Apple watchOS 27.3 beta 推出常驻 Audio Intelligence 功能，含 Siri Recap 与 Live Rewind
Apple 在新的 watchOS 27.3 开发者 beta 中上线 Audio Intelligence 功能，Siri 可调用 Apple Watch 麦克风。
AWS Machine Learning BlogAI 评分3232 Cartesia 如何在 AWS 上构建超低延迟语音 AI 应用
AWS 合作伙伴 Cartesia 基于专用 State Space Model（SSM）架构与 AWS 基础设施，提供 sub-100ms 延迟的语音生成与转写。其核心模型包括流式 TTS 模型 Sonic（首个音频字节约 90ms，支持超 44 种语言、10 秒音频样本声音克隆）和流式语音转文本模型 Ink（原生轮次检测、边说边出部分转写）。两者组合可构建接近人类对话体验的语音 AI 应用。
量子位AI 评分4747 纯语音 Personal Agent Orilo 发布：或许，这就是乔布斯心中的 Siri
百川智能联合创始人焦可团队推出语音优先的 Personal Agent「Orilo」，主打早晨场景，通过语音播报定制新闻、跟踪长尾信息并跨应用执行任务。
TechCrunch · AIAI 评分6868 Apple Watch Audio Intelligence AI 功能进入 beta 测试
Apple Watch 的 AI「Audio Intelligence」功能随 iOS 27.3 更新向开发者开启 beta 测试，包含声音识别、歌曲识别、Live Rewind 和 Siri Recaps 四个可选功能。
爱范儿AI 评分3535 奔驰发布新款长轴距 E 级：车机全面支持华为手机，42.38 万元起
奔驰首次由中国本土团队主导座舱开发，推出 2026 款长轴距 E 级，售价 42.38 万至 50.98 万元，分晖银版、鎏金版和星铂版。车机地图操作帧率达每秒 60 帧，接入豆包大模型的语音助手唤醒速度 0.25 秒、多音区识别准确率 98%，可声纹记忆 6 位家庭成员习惯。新车在保留 CarPlay 的同时引入华为 HiCar，方向盘按键可与小艺助手联动。
雷峰网AI 评分6565 Pika 基于 MiniMax H3 开源 H3 Flex，六步实现音视频联合生成
Pika 发布 MiniMax H3 衍生模型 Pika H3 Flex，开放适配器权重与推理代码，通过六步去噪联合生成画面和声音，支持文本、首尾帧和多模态参考输入。
开源中国AI 评分5757 VibeVoice-ASR-BitNet 实测：AIGCPanel 上纯 CPU 实时转写
微软将语音识别模型 VibeVoice-ASR-BitNet 从 4.62GB 压缩到 1.58GB，AIGCPanel 把它做成一键运行包，支持纯 CPU 推理。模型支持中英法意等多种语言，为本地中文转写提供了不依赖显卡和 CUDA 配置的轻量方案。
新智元AI 评分1818 Omni AI 如何实现不乱插嘴的实时交互变革
全模态（Omni）AI 不只能听、能看、能回答，还需在持续变化的对话中一边回应、一边保持理解与推理。当用户中途补充指令（如让分析图表后突然说「看右边那条曲线」）时，系统需要停止旧回答并作出调整，这类实时交互的时机控制正成为全模态 AI 的关键变革方向。
TechCrunch · AIAI 评分4949 会议记录工具 Granola 推出听写功能，与 Wispr 正面竞争
以会议记录起家的 Granola 于 10 月 29 日推出听写功能，在 Mac 上按 Fn 键即可语音输入，工具会自动清理排版并支持跨应用使用，后续将登陆 iOS 和 Windows。此举与此前由听写工具转向会议记录的 Wispr 形成交叉竞争，两家公司估值分别为 15 亿美元和 20 亿美元，Fireflies、Speechify、Monologue 等语音应用也在向多功能聚合方向靠拢。
TechCrunch · AIAI 评分6464 Deepgram 收购 Pipecat 开发商 Daily 强化语音 AI 基础设施，并推出 RCS 开放协议
Deepgram 宣布收购 Pipecat 框架的开发与维护方 Daily，交易金额未披露，但双方承诺 Pipecat 永远保持开源和供应商中立。Pipecat 用于编排语音视频流及 STT、LLM、TTS 等环节并降低延迟；Daily 此前融资超过 6200 万美元，两家公司同为 2016 年 Y Combinator 同期学员。
爱范儿AI 评分5555 不认字的语音模型 Dessa 与语音 AI 的路线之争：为什么语音还不能取代屏幕
文章介绍 Block 旗下 Dessa 语音模型完全剔除文字训练，可边听边说、自然附和，并能在 M4 Max 芯片的 MacBook Pro 上本地运行。同期 OpenAI 更新 GPT-Live 新增九款音色并支持文字描述定制声音，xAI 推出主打实时端到端语音交互的 Grok Voice 3.0，其语音系统承担 Starlink 每天约 2 万通客服来电，约七成无需转人工。
The DecoderAI 评分6969 Nvidia 开源 Nemotron 3.5 Transcribe，整合转录、翻译与说话人识别
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，支持 40 种语言转录、31 种语言与英语互译、13 种语言说话人识别，可处理最长 1 小时、最多 8 名说话人的录音。
NVIDIA Blog精选AI 评分6464 NVIDIA RTX Spark 笔记本上新并推出 Nemotron 3.5 Transcribe 与 GPU 资源管理功能
NVIDIA 官宣 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 的 RTX Spark 轻薄笔记本上市，起价 $2,599，超芯片集成 Blackwell RTX GPU 与 Grace CPU，最高 128GB 统一内存、1 petaflop FP4 AI 性能。
推荐理由：原文汇总了 RTX Spark 笔记本新品与语音模型、GPU 资源分配等本地 AI 更新，读者可借此了解端侧模型落地的最新入口。
TechCrunch · AIAI 评分5151 Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe，支持 40 种语言
Nvidia 发布免费开源权重语音转写模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，可处理最长一小时的录音并区分最多 8 位说话人。该模型有 30 亿参数，可运行在从 Jetson AGX Thor、DGX Spark 到 Blackwell 数据中心芯片上，但目前仅支持录制音频而非实时流；Nvidia 同时发布了开源语音数据集 Granary 2。
OpenAI NewsAI 评分2727 Retell 使用 OpenAI 模型支撑每月 1 亿次通话
Retell AI 使用 OpenAI 模型支撑其每月 1 亿次语音通话。GPT-6 Astra 在 Retell 的语音智能体基准测试中位居第一，Codex 则帮助公司实现人均 160 万美元的年化收入运行率。
雷峰网AI 评分4646 千问办公接入乐奇AI眼镜，一句话发起任务
10月27日，乐奇Rokid与千问办公宣布合作，千问办公正式接入乐奇AI眼镜。用户在“Rokid AI”App的智能体商店添加并绑定账号后，可语音唤起千问办公下发任务、在眼镜端查看结果，还能结合眼镜拍摄的画面提问。千问办公提供Agent运行能力，负责理解语音、图像和任务意图、编排工具并生成结果，同时支持一句话发起钉钉中的发送消息、创建日程等办公任务。
钛媒体AI 评分6161 科大讯飞发布讯飞星火X2.6，主打全国产算力训练与端云一体
科大讯飞在2026全球1024开发者节大会上发布端云一体的讯飞星火X2.6，含一个云端大模型和一个4B端侧模型，按任务难度和数据敏感度决定任务在本地、两端协同还是上云，训练采用全国产算力。
量子位AI 评分3131 被OpenAI、Gemini共同指向的实时语音交互方向，声网凭什么成为关键玩家？
iRTE2026实时智能大会上，声网创始人兼CEO赵斌提出“五级对话能力”框架，从L1一问一答到L5基于长期上下文的深度沟通，并展示多模型协作的Agora Conversational Model与Conversational Agent System。
开源中国AI 评分2323 SmartCall v1.0.9 发布：智能体知识库上线，让 AI 客服先查资料再回答
SmartCall v1.0.9 发布，新增智能体知识库功能，使 AI 客服在回答前先检索资料。SmartCall 是一套基于 AI 大模型与 Asterisk 通信引擎构建的智能客服呼叫中心系统，整合 AI 语音机器人、智能 IVR 流程编排、端到端双工对话、实时语音识别（ASR）、语音合成（TTS）及大模型意图识别等能力，提供从呼入应答到智能外呼的全链路 AI 客服解决方案。
TechCrunch · AIAI 评分4646 Block 发布全双工语音模型 Dessa，可在本地运行且声音近乎真人
Jack Dorsey 旗下 Block 的研究实验室发布全双工语音模型 Dessa，可同时说话和倾听，能自然呈现笑声、停顿和哭泣等情绪，完全基于人类语音训练，可在 MacBook M4 Max 等消费级设备上单张 NVIDIA GPU 本地运行。Block 称 Dessa 的知识来自对话数据，无需搭配 LLM。该模型目前尚未公开，Block 正召集安全研究人员测试。
The DecoderAI 评分4848 Block 发布纯语音训练 AI 模型 Dessa，可实时捕捉情绪
Square 和 Cash App 母公司 Block 推出语音模型 Dessa，称其为首个完全用人类语音训练、不含文本数据的模型。它直接处理音频，可实时感知情绪、讽刺、笑声和停顿，支持全双工通信，能在 MacBook Pro M4 Max 上本地运行。该模型尚未公开，团队正招募 AI 安全研究员测试风险。
雷峰网AI 评分2727 iRTE2026：声网 CEO 赵斌提出五级对话能力框架，解析对话式 AI 如何迈向 AGI
10 月 23 日 iRTE2026 实时智能大会在北京举行，声网创始人兼 CEO 赵斌在演讲中提出“五级对话能力”框架，将对话式 AI 从“问一句答一句”的自我表达逐级推进到理解长期上下文与关系的深度沟通。
The Verge · AIAI 评分5050 Jack Dorsey 旗下 Block 推出对话式 AI 模型 Dessa，语气像略显笨拙的新朋友
Jack Dorsey 旗下 Block 发布名为 Dessa 的 AI 模型，完全从人类对话数据从零训练，是真正的 speech-to-speech 模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行，官网展示了它与人类聊天的多个示例，包括一段与 OpenAI GPT-Live-1 语音模型的对话，Dessa 表现得更为自然。
量子位AI 评分3030 iRTE2026：声网CEO赵斌提出五级对话能力框架，实时互动迈入对话 AGI 时代
10月23日，声网创始人兼CEO赵斌在 iRTE2026 实时智能大会上提出“五级对话能力”框架，将对话式 AI 从基础应答到深度关系沟通划分为 L1 至 L5 五个层次。他指出实时互动对象正从人与人扩展到人与 Agent，并介绍了声网以全双工交互为核心的对话式 AI 引擎及 SDK、Skills、CLI 等开发工具。两场圆桌还围绕个人智能体入口与具身智能、AI 招聘等真实业务落地展开讨论。
量子位AI 评分3131 科大讯飞首发星辰TaaS平台，让Token成为千行百业的生产力
科大讯飞在2026全球1024开发者节上首发星辰TaaS平台，构建从模型能力到行业解决方案的全链路体系，底层依托星辰MaaS，中间层提供模型调度与智能体引擎，应用层覆盖企业服务、金融、医疗等行业。
AWS Machine Learning BlogAI 评分5050 如何在 Amazon SageMaker AI 上用 Kokoro TTS 为 AI 智能体实现低延迟语音流式合成
通过在 Amazon SageMaker AI 实时端点上托管 Kokoro-82M TTS 模型，并在智能体每生成一句话时立即流式送入合成，语音回复可在完整响应结束前开始播放，消除数秒的等待间隙。
AWS Machine Learning BlogAI 评分4848 Amazon Polly Generative engine 重大升级：新增 14 种声音并首次支持印地语和芬兰语
Amazon Polly Generative engine 完成升级，语音输出更自然、准确且低延迟，已正式可用。此次升级新增 9 个 locale 的 14 种声音，并首次提供印地语和芬兰语的 Generative 语音，整体达 11 种语言、25 个 locale 共 57 种语音，并扩展至 AWS GovCloud (US-West) 共 11 个 AWS Region。
AWS Machine Learning BlogAI 评分5151 在 Amazon SageMaker AI 上用实测法确定 TTS 自动扩缩目标
AWS 机器学习博客发布教程，将 82M 参数的 Kokoro-82M TTS 模型以自定义容器部署到 Amazon SageMaker AI 实时端点，用 Q_max（单实例 SLO 内并发上限。
开源中国AI 评分5555 Mistral 发布 Voxtral 3 语音模型与 Agent SDK，支持 50 多种语言
Mistral 发布 Voxtral 3，一套语音 Agent SDK 加语音模型，支持 50 多种语言。官方演示场景中，语音代理听懂法语转诊信、为说英语的患者完成预约并承诺用英语回短信，体现跨语言、工具调用和情绪适应的完整语音工作流。
The DecoderAI 评分5757 ElevenLabs 发布 Eleven Realtime 两款语音到语音模型
ElevenLabs 于 10 月 20 日发布两款语音到语音模型 Eleven Realtime。v1 Max 在 Big Bench Audio 基准上得分 98.8%，响应时间 0.57 秒；v1 Mini 面向低成本的日常对话，能区分说话结束和附和语。两款模型可通过 ElevenAgents 平台和 OpenAI 兼容的 Realtime API 使用，按分钟加 token 计费。
The DecoderAI 评分6161 Mistral AI 发布 Voxtral 3 实时语音智能体全栈
Mistral AI 发布面向实时语音智能体的 Voxtral 3 模型家族，包含语音转文本模型 Voxtral Small Transcribe 3、文本转语音模型 Voxtral Mini TTS 3 和基于 LiveKit 的语音智能体 SDK，将听、思考、工具调用和说话整合为单一流式管线。
TechCrunch · AIAI 评分4040 Yelp 推出 Check for Me 功能，AI 语音智能体可代用户致电餐厅查询等位时间
Yelp 在应用中推出 Check for Me 功能，AI 语音智能体会代用户致电餐厅查询等位时间，并将结果以短信发送。同时更新 Yelp AI 助手：通过 OpenTable 集成实现应用内订座，可记住用户偏好、查看过去 30 天聊天记录、设置自定义提醒，并支持“Been Here”和“Want to Go”列表。
TechCrunch · AIAI 评分6060 Otter.ai 从 General Catalyst CVF 融资 3.2 亿美元
Otter.ai 宣布从 General Catalyst 的 Customer Value Fund 获得 3.2 亿美元融资，该基金不稀释股权，通过营销支出回报获利，资金将用于企业增长、国际化与产品创新。
雷峰网AI 评分3434 580天暗战，爱奇艺的AI闯关路
爱奇艺用生成式AI改造影视全流程：用户端推出AI驱动的“跳看”功能，可将8分钟开场戏浓缩为3分钟；制作端上线“剧本工坊”和“影像工坊”，其中“剧本工坊”2025年4月版本接入DeepSeek等国产大模型，不到30分钟完成一部50万字剧本的七大维度评估，已累计为5000部小说和剧本提速评估，“影像工坊”2025年第一季度出图量达10万张。
开源中国AI 评分5454 蚂蚁百灵开源 Ming-3.0 语音系列模型
蚂蚁百灵开源 Ming-3.0 语音系列，将「声音创作、长语音分析、业务语音转写」三类任务拆成三套模型、五款产品，开发者可按任务选型、按需组合。其中 Ming-3.0-tts 的亮点是「导演模式」，其 Voice Design 支持用文字描述目标音色，也支持参考音频定音色。
AWS Machine Learning BlogAI 评分3636 Deepgram 如何用 AWS Trainium 优化大规模语音 AI 推理
Deepgram 与 AWS 合作，将其 Nova-3 语音转文字模型移植到 AWS Trainium2，用于呼叫中心分析、医疗转录等离线批处理工作负载。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，按当时实例价格计算，每美元处理的音频量比原有计算方案多 11–70%。