Meta Muse 向美国付费用户开放代打电话功能
Meta 的 AI 智能体 Muse 现可代表用户给美国商家打电话，该功能向美国所有付费订阅用户开放，此前 9 月进行过测试。Meta AI 负责人 Alexandr Wang 表示该智能体已有超过 1000 万用户，可处理打给有线电视公司、DMV 和餐厅的繁琐电话，并将很快获得一个免费邮箱地址。
#语音
The DecoderAI 评分6262
TechCrunch · AIAI 评分5555 ElevenLabs 发布实验性应用 ElevenAI，整合会议笔记、听写与智能体集成
ElevenLabs 在纽约 11/11 Summit 上发布实验性应用 ElevenAI，目前处于 preview 阶段，需申请早期访问。该应用面向团队而非个人，提供跨会议记录与通知、跨会议数据查询与实时辅助、集成 ElevenAgent 执行后续动作（如根据会议记录起草邮件），以及支持 90 多种语言的听写功能。
The DecoderAI 评分6262 ElevenLabs 发布 Scribe v3 与 Scribe v3 Live 语音识别模型
ElevenLabs 发布 Scribe v3 和 Scribe v3 Live 两款语音转文字模型，分别面向预录音频与低延迟实时场景，已通过 ElevenAPI 和 ElevenAgents 平台开放。
AWS Machine Learning BlogAI 评分4545 Amazon SageMaker AI 双向流式推理推出按用量计费
AWS 宣布为 Amazon SageMaker AI 双向（bidi）流式推理推出按用量计费（usage-based metering），让模型提供商可将实际用量上报用于 AWS Marketplace 软件收费，Deepgram 为发布合作伙伴，带来按用量的 Speech-to-Text（STT）和 Text-to-Speech（TTS）计费。
The Verge · AIAI 评分5454 Adobe 在 MAX 2026 公布四项 AI 实验：可走入照片、对话设计角色
Adobe 在年度 MAX 大会上公布最新一批实验性 AI 工具，包括把照片转成可导航 3D 场景的 Project Sight Span、通过对话设计角色的 Project Screen Test、用文本提示生成并同步音效的 Project Sound Bender，以及把修图编辑复制应用到同图其他对象的 Project Rinse Repeat。
The DecoderAI 评分5858 DeepL Voice 新模型 Aure 让实时翻译保留语气与语速
DeepL 为 DeepL Voice 推出新语音模型 Aure，可将原说话者的语气、情绪、重音和语速带入目标语言的翻译语音中。此前 DeepL Voice 依赖对话开始时采集的静态语音样本生成译音，无法识别情绪变化和反讽；Aure 则在对话过程中持续分析译文与原始音频，训练时将声音身份、语音旋律和内容分离以便独立迁移，并用强化学习消除口音。
TechCrunch · AIAI 评分5858 Spotify AI DJ 新增多语音与人格选项，并可减少串场评论
Spotify 宣布 AI DJ 升级，Premium 用户可从扩充的语音库中选择不同口音与人格，包括 7 种英语口音和 2 种新西班牙语语音（Nico、Fabi，取代此前的 Livi），原有基于员工录音的语音 X 保留。
TechCrunch · AIAI 评分5858 Otter AI 新增多语种转录功能，支持 31 种语言
Otter.ai 宣布新增多语种转录功能，可在同一场会议中说话者切换语言时自动检测并继续转录，并新增 27 种语言支持，全部上线后共支持 31 种语言。
TechCrunch · AIAI 评分5555 Underdog 发布 32MB 语音模型 Woof 并推出浏览器演示游戏
初创公司 Underdog 发布仅 32MB 的语音生成模型 Woof，并用一款复古科技主题的浏览器游戏做演示：键盘输入文字后模型会朗读出来，旋转音乐调谐器可生成不同音乐，全部在浏览器内离线运行。
Hugging Face BlogAI 评分4040 Open ASR Leaderboard 新增埃及与尼日利亚英语口音私有数据
Hugging Face 与 Liva AI 合作，为 Open ASR Leaderboard 新增埃及和尼日利亚英语两个私有测试集，时长分别为 1.34 小时和 1.55 小时，均为带标点、区分大小写并保留不流畅片段的自发对话转写。
TechCrunch · AIAI 评分6060 Meta 向全美用户开放 Muse AI 头像视频通话功能
Meta 宣布 Muse Voice 功能向全美用户开放，用户可与消费级 AI 智能体 Muse 进行语音和视频通话。该功能最初在 9 月的 Connect 开发者大会上亮相，由 Muse Realtime Avatar 和 Muse Realtime Voice 两项新模型驱动，头像会用与对话语气匹配的细微表情和手势回应。
The Verge · AIAI 评分6060 Meta Muse AI agent 上线语音模式与会动的表情头像
Meta 为 Muse AI agent 上线语音模式，用户可在 iOS 应用中与 agent 实时语音对话，对话顶部的头像会随说话内容同步动画。语音语调可通过向 agent 提出需求或在头像设置中浏览选项来调整。作者实测语音响应较快，但在查找信息时会偶尔停顿。该功能正在美国的 app 中推出，Meta AI 眼镜和今年晚些时候出货的 Muse Charm 设备也将支持。
The Verge · AIAI 评分5353 SoundCloud 与 ElevenLabs 达成合作，支持 AI 音乐直接发布
SoundCloud 与 ElevenLabs 达成合作，用户可将 ElevenLabs 生成的音乐直接发布到 SoundCloud，无需再导出下载后重新上传。
Hugging Face Blog精选AI 评分6767 Hugging Face 发布端侧 TTS 模型 Phonon 并开源权重
Hugging Face 发布可在本地设备运行的文本转语音模型 Phonon，无需服务器和网络，两周内下载量超过 200,000 次。模型提供约 65 MB 和 75 MB 两个尺寸，支持英语、法语、德语、西班牙语和葡萄牙语五种语言及 100 多个内置声音；Phonon 31m 仅支持英语并采用 Apache 2.0 许可，Phonon 40m 覆盖五种语言但限非商业使用。
推荐理由：原文交代了小模型兼顾音质与体积的技术路线、许可证差异和排行榜成绩，可帮助判断端侧语音方案的可用性。
The Verge · AIAI 评分5858 watchOS 27.3 开发者 beta 加入 Audio Intelligence 常听功能
Apple 在 watchOS 27.3 开发者 beta 中为 Siri 加入 Audio Intelligence 常听功能，包含 Siri Recap 和 Live Rewind 两项新能力。
AWS Machine Learning BlogAI 评分5656 AWS 教程：在 AWS 上构建超低延迟语音 AI 应用
AWS Machine Learning Blog 发布教程，介绍 Cartesia 如何用 State Space Models（SSM）与 AWS 基础设施实现 sub-100ms 的文本到语音和语音到文本：Sonic 首个音频字节约 90ms、支持 44 种以上语言和 10 秒样本声音克隆，Ink 提供原生轮次检测与流式转写。
Hugging Face BlogAI 评分5555 NVIDIA 员工用 Nemotron 打造万圣节会说话的鬼屋 MonsterHouse
作者用 NVIDIA Nemotron Voice Agent 搭建了万圣节互动投影 MonsterHouse，让车库门以暴躁海盗船的语气回应不给糖就捣蛋的孩子，访客说请和谢谢会让他态度软化。
TechCrunch · AIAI 评分4242 Rivian 扩大与 Volkswagen Group 合资，将 AI 语音助手纳入授权范围
Rivian 在三季度投资者演示中宣布，将把其 AI 语音助手技术的部分元素授权给 Volkswagen Group，纳入双方价值 $5.8 billion 的合资项目。
TechCrunch · AIAI 评分4747 Granola 推出听写功能，与 Wispr 展开语音应用竞争
会议笔记应用 Granola 今日推出听写功能，用户在 Mac 上按 Fn 键即可语音输入，工具会自动清理并格式化文本，可在任意应用中使用，免费不限字数，iOS 和 Windows 版本即将上线。
TechCrunch · AIAI 评分4343 Amazon 为 Alexa 新增 100 多项购物相关功能
Amazon 为 Alexa 新增 100 多项购物相关功能，涵盖管理订阅与购物清单、修改配送说明、处理支付问题以及解答 Prime 订阅相关疑问。用户可让 Alexa 创建、查看和编辑清单，调整订阅配送频率（如从每月改为每三个月），修改地址或添加收货细节，并咨询 Prime 或 Audible 的账单与支付问题。
Hugging Face BlogAI 评分4545 Granite Switch 4.1.1 补丁发布：像更新软件一样更新模型
Hugging Face 发布 Granite Switch 4.1.1 补丁版本，与 4.1 完全向后兼容、无需迁移，更新了支持 10 种语言、带原生标点和大小写的 Granite Speech ASR 模型，以及在 Jev Decision Index 测试集上整体表现提升的 Decision adapter。
TechCrunch · AIAI 评分5656 Deepgram 收购 Pipecat 开发商 Daily 强化语音 AI 基础设施
Deepgram 宣布收购开源语音 AI 框架 Pipecat 的开发和维护方 Daily，交易金额未披露，双方表示将保持 Pipecat 开源。Daily 此前融资超过 $62 million，Deepgram 今年早些时候以 $130 million Series C 达到独角兽地位，两家公司同属 2016 年 Y Combinator 批次。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包
Hugging Face 官方博客宣布推出 AnySpeechRecognizer 和 AnyDecisionModel 两个 Swift 包，均支持从 Hugging Face Hub 下载开源模型并在设备端运行。
推荐理由：原文给出可选引擎、模型体积与实测词错率，读者可据此判断端侧语音方案的取舍。
The DecoderAI 评分7474 Nvidia 开源 Nemotron 3.5 Transcribe 语音模型，整合转写、翻译与说话人识别
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，可转写 40 种语言、其中 31 种与英语互译、识别 13 种语言的说话人，支持最长一小时、最多八位说话人的录音，并能通过指令控制输出转写、翻译或摘要。
NVIDIA Blog精选AI 评分6060 NVIDIA RTX Spark Windows 笔记本新增机型、Agent 工具与游戏支持
NVIDIA 宣布 RTX Spark Windows 笔记本现已由 ASUS、Dell、HP、Lenovo、Microsoft、MSI 提供，起价 $2,599，128GB 配置已上架，采用 Blackwell RTX GPU 与 Grace CPU 单颗超芯，最高 128GB 统一内存、1 petaflop FP4 AI 性能。
推荐理由：原文集中列出 RTX Spark 笔记本的模型、Agent 工具和游戏更新，读者可据此判断本地 AI 工作流的可用范围。
TechCrunch · AIAI 评分6262 Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe
Nvidia 发布免费开放权重的语音转写模型 Nemotron 3.5 Transcribe，支持最多 40 种语言转写、31 种语言与英语互译，可处理最长一小时录音并区分最多 8 位说话人，同时开源了 Granary 语音数据集第 2 版。
Hugging Face Blog精选AI 评分7676 NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型与 Granary v2 数据管线
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
TechCrunch · AIAI 评分3838 值得关注的热门 AI 可穿戴设备与智能硬件盘点
盘点了当前市场上值得关注的 AI 可穿戴设备与智能硬件，包括 Bee（$49.99 起，Amazon 于 7 月收购后推出 Bee Frontier $74.99。
TechCrunch · AIAI 评分5858 Block 发布本地运行的全双工语音模型 Dessa
Jack Dorsey 的 Block 从研究实验室发布语音模型 Dessa，完全在人类语音数据上训练，仅需单块 NVIDIA GPU 即可本地运行，支持在 MacBook M4 Max 或更高配置的消费级电脑上跑。
The DecoderAI 评分4747 Block 推出纯语音训练的 AI 模型 Dessa，可捕捉文本模型遗漏的情绪
Block 推出 AI 语音模型 Dessa，称其为首个完全基于人类语音、不含任何文本数据从零训练的模型，可直接处理音频并实时捕捉情绪、讽刺、笑声和停顿。Dessa 支持全双工通信，可在 MacBook Pro M4 Max 本地运行，训练仅使用单台 NVIDIA GB200 NVL72。目前尚未公开发布，Block 正在招募 AI 安全研究人员通过表单报名测试模型的潜在风险。
The Verge · AIAI 评分5656 Block 发布纯语音训练的 AI 模型 Dessa
Jack Dorsey 的 Block 宣布推出名为 Dessa 的 AI 模型，称其完全基于人类对话从零训练，是一个真正的 speech-to-speech 模型，所有知识都来自人类语音。
AWS Machine Learning BlogAI 评分4949 在 Amazon SageMaker AI 上用 Kokoro TTS 为 AI 智能体流式输出低延迟语音
通过在 Amazon SageMaker AI 实时端点上托管 Kokoro-82M（82M 参数）TTS 模型，AI 智能体每生成一句话就立即流式送入合成，让语音在完整回复生成前就开始播放，从而消除等待空隙。
AWS Machine Learning BlogAI 评分5757 Amazon Polly Generative 引擎升级：新增 14 个语音，Hindi 和 Finnish 首次 GA
Amazon Polly Generative 引擎升级现已在生产环境 GA，语音更自然、更富表现力且延迟更低，新增 14 个语音覆盖 9 个 locale，Hindi 和 Finnish 首次在 Generative 引擎 GA。
AWS Machine Learning BlogAI 评分4444 Amazon SageMaker AI 上 TTS 自动扩缩容目标的实测方法
AWS 博客介绍在 Amazon SageMaker AI 实时端点上部署 Kokoro-82M（82M 参数 TTS 模型）自定义容器，用两个实测值替代猜测的自动扩缩容目标：Q_max（单实例在 SLO 内可承载的最大并发）和 T_total（扩容端到端耗时），并据此推导扩缩容阈值与冷却时间。
TechCrunch · AIAI 评分5858 Spotify 押注成为 AI 智能体首选的音乐服务
Spotify 联席 CEO Gustav Söderström 在财报电话会上表示，公司希望成为各类 AI 智能体调用的媒体服务，把智能体的增长转化为顺风。Spotify 已是首个与 Meta 的 Muse 助手集成的音乐服务，并接入了 ChatGPT 和 Claude。他强调 Spotify 不会把收听数据传给合作方，而是由自身系统推理请求并决定播放内容，凭借多年收听历史提供更个性化的推荐。
TechCrunch · AIAI 评分4747 Nirva 融资 3300 万美元，推出只听佩戴者本人的 AI 吊坠
Nirva 宣布完成 2500 万美元 pre-Series A 轮融资，加上早前的 800 万美元，总融资额达 3300 万美元。其首款设备是一款约八克、续航最长三天的吊坠，售价 $249，11 月开始接受订单，年底发货。设备只录制佩戴者本人的语音，处理后默认不保留音频或转录，配套 App 会生成关于情绪、沟通风格等个人洞察。
Hugging Face BlogAI 评分5656 IBM 发布 Granite Speech 5.0 系列语音模型，新增 2B 模型并更新 Turbo CTC 与 4.1 2B Plus
IBM 更新 Granite Speech 系列，推出新模型 granite-speech-5.0-2b，并更新 granite-speech-5.0-470m-turboctc 与 granite-speech-4.1-2b-plus。
The DecoderAI 评分5858 Elevenlabs 发布两款面向实时 AI 对话的 speech-to-speech 模型
Elevenlabs 于 Oct 20, 2026 发布两款名为 Eleven Realtime 的 speech-to-speech 模型。
The DecoderAI 评分6262 Mistral AI 发布 Voxtral 3 实时语音智能体全家桶
Mistral AI 发布 Voxtral 3，一套面向实时语音智能体的语言模型家族，包含语音转文字模型 Voxtral Small Transcribe 3、文字转语音模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音 Agent SDK，将聆听、思考、工具调用与说话整合进单一 streaming pipeline。
Mistral AI精选AI 评分7474 Mistral AI 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral AI 发布 Voxtral 3，包含语音转文本、文本转语音模型与基于 LiveKit 的语音 Agent SDK，把听、推理、工具调用与说话整合进单一实时流式管线，每轮对话在 1 秒内完成。
推荐理由：原文给出各模型定价与多项评测口径，读者可据此比较它与现有语音方案的成本和适用场景。