xAI 发布 Grok Voice Transcribe 2.0：准确率翻倍加量不加价
xAI 推出语音转文字模型 Grok Voice Transcribe 2.0，在保持每小时 0.10 美元（批量）与 0.20 美元（流式）原价的前提下，准确率较初代翻倍。它在 Artificial Analysis 榜单 32 款流式模型中夺冠，19 种语言短指令错词率降至 6.8%。
AI语音
查看更新的新闻
xAI 为 Grok 增加语音模式：支持桌面端与移动端语音对话
xAI 旗下聊天机器人 Grok 正式上线语音模式，将在未来几天面向桌面端和移动端陆续推送。用户可以直接与 Grok 进行双向语音交流，不再局限于打字。此举也让 Grok 追赶上了已支持语音交互的 ChatGPT 与 Gemini。
Muse AI 测试版扩容：助手可代拨美国商家电话
Muse AI 宣布扩大其测试范围，正式加入向美国商家外呼电话的功能。该功能也是上线以来呼声最高的特性之一，本次优先向此前在助理中表达过意向的用户开放。这意味着 AI 助理开始直接替用户接管线下商家的电话沟通与预订等事务。
网易有道开源流式语音模型 R2T2：延迟低至 200ms，只追加不改字
网易有道开源实时语音识别模型 Confucius4-R2T2。它基于 Qwen3-ASR 开发，平均延迟仅 200 至 600 毫秒，且采用「只追加不回改」模式，避免了实时字幕反复闪烁跳字。模型支持 vLLM 高吞吐推理，中英双语精度逼近离线水平。
Amazon 在印度上线 Alexa+：支持印地英混说，Prime 会员免费
Amazon 宣布在印度开放 Alexa+ 早期测试，支持印地语和英语。新助手支持句中自如切换双语，能处理多步骤复杂任务，并深度集成了 Swiggy 外卖和 MakeMyTrip 旅行等本地服务。测试期后 Prime 会员免费，非会员每月收 2000 卢比。
Google 推出 Gemini 3.8 Live：支持边推理边对话，登顶端到端语音榜首
Google 推出 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两款语音 AI 模型。新模型支持视觉输入与 97 种语言无缝切换，能在后台调用工具的同时继续聊天；深度思考版更可在复杂多步推理中边想边说。模型已在 Google AI Studio 和 Gemini API 上线。
ElevenLabs 升级 MCP 插件：在 Claude 和 ChatGPT 里直接生成音视频
ElevenLabs 升级其 MCP 连接器，支持在 Claude、ChatGPT 和 Cursor 等助手中通过自然语言直接生成语音、配乐、图像与视频。用户仅需一次 OAuth 登录，无需配置 API Key，生成素材会自动同步到 ElevenCreative 工作区进行精修。
蚂蚁与清华发布 Realtime-Venus：前台全双工对话，后台异步跑任务
蚂蚁集团与清华大学推出实时多模态 Agent 系统 Realtime-Venus。它采用双循环架构，由两个 9B 模型负责音视频感知与全双工语音，复杂推理则由后台异步处理。用户不用为了等 AI 干活而中断对话，很适合智能眼镜和车载场景。
环球音乐联手 ElevenLabs：打造正版 AI 音乐二创平台
环球音乐集团与 ElevenLabs 宣布达成多年战略合作。双方正联手打造独立的正版 AI 音乐平台，让粉丝能利用合作艺人的作品合规混音、二创并体验定制人声，同时确保创作者获得收益分成。这是 ElevenLabs 首次与主流唱片公司签约。
OpenAI 上线 GPT-Live-1 API：边听边说每分钟 5 美分
OpenAI 在 API 中上线全双工语音模型 GPT-Live-1，前端语音费率为每分钟 0.05 美元。该模型单模型整合听说能力，打断更自然，并可把深度推理委托给 GPT-6 Astra 等后端模型。也就是说，开发者无需再拼接多套系统即可构建流畅的语音应用。
Apple 发布 AirPods 5：半开放降噪提升 50%，接入 Siri AI 与实时翻译
Apple 发布 AirPods 5，起售价 129 美元。新耳机主打半开放式主动降噪，降噪能力比前代提升最多 50%，并借助 Apple Intelligence 支持免提调用理解个人上下文的 Siri AI 及实时翻译。无线充电盒版售价 149 美元，9 月 18 日发售。
腾讯开源语音基础模型 AuK：1.5B 参数，一句话就能增删音频词句与情绪
腾讯开源 1.5B 语音生成与编辑模型 AuK 及快速版 AuK-Flash，代码与权重全开放。它采用统一的自然语言指令，不仅能做零样本声音克隆，还能像改文字一样无缝替换或增删音频词句、切换情绪并降噪。目前已支持在线体验与消费级显卡部署。
Google 上线 Workspace 语音功能：动嘴就能搜邮件、写文档、理笔记
Google 在 Gmail、Docs 和 Keep 中上线 Gemini 实时语音功能。用户动动嘴即可直接查询邮件关键信息、口述生成结构化文档，或将零碎想法自动整理成清单。该功能本周先向 Google AI Plus、Pro 与 Ultra 订阅用户推送，后续向企业客户开放。
微软发布语音模型 MAI-Transcribe-2：速度快 10 倍，每小时 0.1 美元
微软推出语音识别模型 MAI-Transcribe-2。其在 FLEURS 60 种语言基准测试中平均字错率仅 5.2%，比 GPT-Transcribe 快 10 倍、比 Gemini 3.5 Transcribe 快 5 倍。模型支持说话人分离与词级时间戳，年底前限时每小时 0.10 美元。
Meta 推出 Muse 音频模型：80ms 流式转录，区分超 20 人
Meta 推出实时音频模型 Muse Voice Transcribe。它以 80ms 块处理音频，用强化学习动态调整转录延迟，原生支持 1 小时以上长音频、语种混杂及 20 人以上声纹分离，已上线 Meta AI 等产品。
Plaud 发布 AI 耳机 Plaud One：自带 4G 联网，录音转写一键发 Notion
Plaud 发布 AI 耳机 Plaud One，售价 249.99 美元。充电盒内置 4G 联网，无需手机就能独立上传录音、转写并生成总结，按键还可唤起智能体联动 Notion 与 Slack。耳机单次续航 6 小时，目前已在部分市场开启预购，预计 2026 年 Q4 发货。
Google 发布 Gemini 3.5 Transcribe：错词率仅 2.6%，支持 85+ 种语言
Google 发布语音转文字模型 Gemini 3.5 Transcribe。经测其非流式词错误率仅 2.6%、流式 4.0%，支持 85+ 种语言，能自动过滤语气词并支持口头纠错。该模型已上线 Google AI Studio 供开发者调用。
Gemini Live 升级智能体能力：动嘴就能管 Gmail，后台自动跑多步任务
Google 为 Gemini Live 推出重大升级，正式接入 Spark 智能体。用户可通过自然语音跨 Docs、表格及网页分派多步骤后台长任务，并支持语音早报与免提整理 Gmail。最值得关注的是，语音交互不再只是问答，而是开始真正替你执行跨应用的复杂工作流。
Particle 推出播客搜索引擎 Radar：为 AI 智能体索引 13 万档节目
AI 公司 Particle 推出播客搜索引擎 Radar，转录并索引超 13 万档播客，每日新增 2 万期。它通过 API 和 MCP 提供说话人与实体元数据，解决 AI 智能体无法直接读取音频的问题。目前对冲基金已成为其大用量客户，个人版每月 29 美元起。
BreezeBlue 开源 Breeze-TTS-2：首包延迟 40 毫秒，支持中英文本驱动声线
BreezeBlue 开源语音合成模型 Breeze-TTS-2 的权重与推理代码。它支持中英双语，在 H100 上首包延迟能压到 40 毫秒以内，不仅能用文字描述直接「捏」出声音，还能在文本里插入 [笑] 或 [叹气] 等副语言事件。代码采用 Apache 2.0 开源，权重仅供非商业研究。