xAI 釋出 Grok Voice Transcribe 2.0：準確率翻倍加量不加價
xAI 推出語音轉文字模型 Grok Voice Transcribe 2.0，在保持每小時 0.10 美元（批次）與 0.20 美元（流式）原價的前提下，準確率較初代翻倍。它在 Artificial Analysis 榜單 32 款流式模型中奪冠，19 種語言短指令錯詞率降至 6.8%。
AI語音
檢視更新的新聞
xAI 為 Grok 增加語音模式：支援桌面端與移動端語音對話
xAI 旗下聊天機器人 Grok 正式上線語音模式，將在未來幾天面向桌面端和移動端陸續推送。使用者可以直接與 Grok 進行雙向語音交流，不再侷限於打字。此舉也讓 Grok 追趕上了已支援語音互動的 ChatGPT 與 Gemini。
Muse AI 測試版擴容：助手可代撥美國商家電話
Muse AI 宣佈擴大其測試範圍，正式加入向美國商家外呼電話的功能。該功能也是上線以來呼聲最高的特性之一，本次優先向此前在助理中表達過意向的使用者開放。這意味著 AI 助理開始直接替使用者接管線下商家的電話溝通與預訂等事務。
網易有道開源流式語音模型 R2T2：延遲低至 200ms，只追加不改字
網易有道開源即時語音識別模型 Confucius4-R2T2。它基於 Qwen3-ASR 開發，平均延遲僅 200 至 600 毫秒，且採用「只追加不回改」模式，避免了即時字幕反覆閃爍跳字。模型支援 vLLM 高吞吐推理，中英雙語精度逼近離線水平。
Amazon 在印度上線 Alexa+：支援印地英混說，Prime 會員免費
Amazon 宣佈在印度開放 Alexa+ 早期測試，支援印地語和英語。新助手支援句中自如切換雙語，能處理多步驟複雜任務，並深度集成了 Swiggy 外賣和 MakeMyTrip 旅行等本地服務。測試期後 Prime 會員免費，非會員每月收 2000 盧比。
Google 推出 Gemini 3.8 Live：支援邊推理邊對話，登頂端到端語音榜首
Google 推出 Gemini 3.8 Live 與 3.8 Live Extended Thinking 兩款語音 AI 模型。新模型支援視覺輸入與 97 種語言無縫切換，能在後臺呼叫工具的同時繼續聊天；深度思考版更可在複雜多步推理中邊想邊說。模型已在 Google AI Studio 和 Gemini API 上線。
ElevenLabs 升級 MCP 外掛：在 Claude 和 ChatGPT 裡直接生成音影片
ElevenLabs 升級其 MCP 聯結器，支援在 Claude、ChatGPT 和 Cursor 等助手中通過自然語言直接生成語音、配樂、影像與影片。使用者僅需一次 OAuth 登入，無需配置 API Key，生成素材會自動同步到 ElevenCreative 工作區進行精修。
螞蟻與清華髮布 Realtime-Venus：前臺全雙工對話，後臺非同步跑任務
螞蟻集團與清華大學推出即時多模態 Agent 系統 Realtime-Venus。它採用雙迴圈架構，由兩個 9B 模型負責音影片感知與全雙工語音，複雜推理則由後臺非同步處理。使用者不用為了等 AI 幹活而中斷對話，很適合智慧眼鏡和車載場景。
環球音樂聯手 ElevenLabs：打造正版 AI 音樂二創平臺
環球音樂集團與 ElevenLabs 宣佈達成多年戰略合作。雙方正聯手打造獨立的正版 AI 音樂平臺，讓粉絲能利用合作藝人的作品合規混音、二創並體驗定製人聲，同時確保創作者獲得收益分成。這是 ElevenLabs 首次與主流唱片公司簽約。
OpenAI 上線 GPT-Live-1 API：邊聽邊說每分鐘 5 美分
OpenAI 在 API 中上線全雙工語音模型 GPT-Live-1，前端語音費率為每分鐘 0.05 美元。該模型單模型整合聽說能力，打斷更自然，並可把深度推理委託給 GPT-6 Astra 等後端模型。也就是說，開發者無需再拼接多套系統即可構建流暢的語音應用。
Apple 釋出 AirPods 5：半開放降噪提升 50%，接入 Siri AI 與即時翻譯
Apple 釋出 AirPods 5，起售價 129 美元。新耳機主打半開放式主動降噪，降噪能力比前代提升最多 50%，並藉助 Apple Intelligence 支援擴音呼叫理解個人上下文的 Siri AI 及即時翻譯。無線充電盒版售價 149 美元，9 月 18 日發售。
騰訊開源語音基礎模型 AuK：1.5B 引數，一句話就能增刪音訊詞句與情緒
騰訊開源 1.5B 語音生成與編輯模型 AuK 及快速版 AuK-Flash，程式碼與權重全開放。它採用統一的自然語言指令，不僅能做零樣本聲音克隆，還能像改文字一樣無縫替換或增刪音訊詞句、切換情緒並降噪。目前已支援線上體驗與消費級顯示卡部署。
Google 上線 Workspace 語音功能：動嘴就能搜郵件、寫文件、理筆記
Google 在 Gmail、Docs 和 Keep 中上線 Gemini 即時語音功能。使用者動動嘴即可直接查詢郵件關鍵資訊、口述生成結構化文件，或將零碎想法自動整理成清單。該功能本週先向 Google AI Plus、Pro 與 Ultra 訂閱使用者推送，後續向企業客戶開放。
微軟釋出語音模型 MAI-Transcribe-2：速度快 10 倍，每小時 0.1 美元
微軟推出語音識別模型 MAI-Transcribe-2。其在 FLEURS 60 種語言基準測試中平均字錯率僅 5.2%，比 GPT-Transcribe 快 10 倍、比 Gemini 3.5 Transcribe 快 5 倍。模型支援說話人分離與詞級時間戳，年底前限時每小時 0.10 美元。
Meta 推出 Muse 音訊模型：80ms 流式轉錄，區分超 20 人
Meta 推出即時音訊模型 Muse Voice Transcribe。它以 80ms 塊處理音訊，用強化學習動態調整轉錄延遲，原生支援 1 小時以上長音訊、語種混雜及 20 人以上聲紋分離，已上線 Meta AI 等產品。
Plaud 釋出 AI 耳機 Plaud One：自帶 4G 聯網，錄音轉寫一鍵發 Notion
Plaud 釋出 AI 耳機 Plaud One，售價 249.99 美元。充電盒內建 4G 聯網，無需手機就能獨立上傳錄音、轉寫並生成總結，按鍵還可喚起智慧體聯動 Notion 與 Slack。耳機單次續航 6 小時，目前已在部分市場開啟預購，預計 2026 年 Q4 發貨。
Google 釋出 Gemini 3.5 Transcribe：錯詞率僅 2.6%，支援 85+ 種語言
Google 釋出語音轉文字模型 Gemini 3.5 Transcribe。經測其非流式詞錯誤率僅 2.6%、流式 4.0%，支援 85+ 種語言，能自動過濾語氣詞並支援口頭糾錯。該模型已上線 Google AI Studio 供開發者呼叫。
Gemini Live 升級智慧體能力：動嘴就能管 Gmail，後臺自動跑多步任務
Google 為 Gemini Live 推出重大升級，正式接入 Spark 智慧體。使用者可通過自然語音跨 Docs、表格及網頁分派多步驟後臺長任務，並支援語音早報與擴音整理 Gmail。最值得關注的是，語音互動不再只是問答，而是開始真正替你執行跨應用的複雜工作流。
Particle 推出播客搜尋引擎 Radar：為 AI 智慧體索引 13 萬檔節目
AI 公司 Particle 推出播客搜尋引擎 Radar，轉錄並索引超 13 萬檔播客，每日新增 2 萬期。它通過 API 和 MCP 提供說話人與實體後設資料，解決 AI 智慧體無法直接讀取音訊的問題。目前對沖基金已成為其大用量客戶，個人版每月 29 美元起。
BreezeBlue 開源 Breeze-TTS-2：首包延遲 40 毫秒，支援中英文本驅動聲線
BreezeBlue 開源語音合成模型 Breeze-TTS-2 的權重與推理程式碼。它支援中英雙語，在 H100 上首包延遲能壓到 40 毫秒以內，不僅能用文字描述直接「捏」出聲音，還能在文本里插入 [笑] 或 [嘆氣] 等副語言事件。程式碼採用 Apache 2.0 開源，權重僅供非商業研究。