Block 推出全双工 AI 语音模型 Dessa：真人感拉满，支持苹果 MacBook 本地运行
Block 公司推出全新语音模型 Dessa，支持本地运行，能模拟笑声、停顿、哽咽等情绪表达，听感高度拟人。该模型属于全双工模型，可以一边说话一边收听用户语音，无需搭配大语言模型调取知识。Dessa 可在 M4 Max 及更高配置的 MacBook 上本地运行，目前暂不对外开放试用，Block 正向安全研究者发出测试邀请，重点测试欺骗风险。
#语音
IT之家AI 评分6868
The DecoderAI 评分6565 Block发布全新AI语音模型Dessa
Block公司发布了名为Dessa的AI语音模型，这是首个完全基于人类语音训练的模型，不使用任何文本数据。Dessa直接处理音频而非先转换为文本，能够实时捕捉情感、讽刺、笑声和停顿，支持全双工通信，可在MacBook Pro M4 Max上本地运行。目前该模型尚未公开，团队正寻找AI安全研究人员进行测试。
IT之家AI 评分3030 REDMI Clip Neo 耳夹耳机发布：支持澎湃智联与端侧语音助手
REDMI 首款耳夹耳机 Clip Neo 将于 10 月 27 日上市，采用 12mm 双磁设计，支持澎湃智联实体按键与端侧语音助手，单耳重 5.3g，仿生曲面设计。
The Verge · AIAI 评分4545 Jack Dorsey 的 Block 发布 AI 模型 Dessa
Block 推出 AI 模型 Dessa，该模型仅通过人类对话训练，支持语音交互，可在 MacBook Pro M4 Max 或更高设备本地运行。Dessa 团队称其为“端到端语音模型”，旨在提升人机交互自然度与安全性，计划向小部分 AI 安全研究人员提供早期访问。
AWS Machine Learning Blog精选AI 评分7373 AWS博客：使用Amazon SageMaker AI上的Kokoro TTS实现AI语音代理的流式低延迟语音
AWS发布教程，展示如何通过流式文本到语音(TTS)技术解决AI语音代理的响应延迟问题。文章介绍了在Amazon SageMaker AI上部署Kokoro-82M模型，实现句子级别的语音合成，将首次音频输出时间从329.3毫秒减少到156.7毫秒，提升52.4%。同时比较了不同传输方式的成本和性能，包括base64编码SSE和二进制JSON混合传输方案。
推荐理由：通过流式合成解决AI语音助手响应延迟问题，将首次音频输出时间减少一半以上，展示了如何在SageMaker上实现低延迟语音流。
AWS Machine Learning Blog精选AI 评分6565 Amazon Polly 升级语音生成引擎，新增14种语音和两种语言支持
Amazon Polly 升级其语音生成引擎，提供更自然、准确的语音输出，新增14种语音和9种区域支持，包括首次提供印地语和芬兰语的生成语音。此次升级为即插即用式，现有应用程序无需更改代码即可使用。
推荐理由：新增14种语音和两种语言，无需代码变更即可提升语音质量，企业级语音应用迎来更自然的交互体验。
财联社电报AI 评分2525 谷歌 Meet 会议语音翻译功能支持63种语言
谷歌 Meet 会议新增语音翻译功能，支持63种语言。该功能可直接在会议中实时翻译语音内容。
IT之家AI 评分6565 科大讯飞发布星火语音基座大模型 SparkAudio 1.0
科大讯飞在1024开发者节上首发SparkAudio 1.0语音基座大模型，集成机器翻译、语音识别和语义理解能力，已在讯飞输入法16.0等多款产品上线，支持中英文任意切换和说话人实时识别。
HuggingFace Daily PapersAI 评分4040 RubatoCodec: 基于事件预算的自适应语音分词与流式解码
RubatoCodec 是一种基于 X-Codec-2 的可变帧率语音编解码器，通过自适应分配机制实现语音事件级别的精确预算控制。实验表明，在低事件率下，自适应分配在重建保真度和可懂度上优于固定速率编码，且在英日多语言任务中保持竞争力。代码和权重已公开。
IT之家AI 评分6565 通用汽车安吉星服务将全面升级：引入 AI 助手，还能帮你控车、排障
通用汽车将对旗下安吉星车联网服务进行全面升级，引入 AI 助手，让车主能够直接询问车辆信息、通过语音控制部分功能，还能借助 AI 排查车辆故障。全新的安吉星 AI 助手将在未来几个月通过 OTA 升级率先登陆 2027 款凯迪拉克锐歌，随后逐步覆盖更多车型。
The Verge · AIAI 评分4242 Google Gemini 导航功能登陆 Apple CarPlay
Google 今日为美国用户推出 Apple CarPlay 上的对话式 Gemini 导航助手，支持多步指令和实时路线规划，全球逐步开放。用户可通过车载 Google Maps 图标激活功能，但暂未支持 Android Auto 的个性化特性。
Hugging Face Blog精选AI 评分6868 IBM 发布 Granite Speech 5.0 语音模型系列
IBM 发布 Granite Speech 5.0 系列模型，包括新模型 granite-speech-5.0-2b 和更新版本 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus。
推荐理由：IBM 推出 Granite Speech 5.0 系列模型，覆盖从高精度转录到边缘设备实时处理的完整语音工作流，开源策略让企业级语音技术更易获取。
IT之家AI 评分4343 小鹏与谷歌达成新合作，旗下海外车型明年起集成 Google Play 商店
小鹏汽车宣布与谷歌达成战略合作，旗下海外车型将从 2027 年起集成 Google Play 商店，支持用户通过车载系统下载数百款应用。该集成基于 Android Automotive OS 实现，支持语音助手控制，并允许开发者持续推送更新。
开源中国AI 评分6565 Mistral 发布 Voxtral 3，支持 50 多种语言的语音 Agent SDK
Mistral 发布了 Voxtral 3，一套支持 50 多种语言的语音 Agent SDK 和语音模型。演示场景显示，该系统能够理解不同语言内容并完成跨语言语音工作流，包括工具调用和情绪适应能力。
IT之家AI 评分6565 苹果发布智能家居中枢 HomeView
苹果发布智能家居中枢 HomeView，主打极简设计与 Siri AI 自然交互，支持家庭设备整合与多用户切换。该设备固定在家中位置，持续通电，无需解锁，预计 2026 年 11 月 13 日发货，屏幕较小且不支持直接运行应用。
The DecoderAI 评分7373 ElevenLabs 发布两款实时语音到语音模型
ElevenLabs 发布了两款名为 Eleven Realtime 的新语音到语音模型。Max 版本在 Big Bench Audio 基准测试中达到 98.8% 的准确率，响应时间为 0.57 秒。Mini 版本则针对自然对话场景设计，可检测对话结束。两款模型均通过 ElevenAgents 平台和 OpenAI 兼容的 Realtime API 提供。
The DecoderAI 评分7373 Mistral AI 发布 Voxtral 3 实时语音智能体全栈方案
Mistral AI 推出 Voxtral 3，包含语音转文本、文本转语音和基于 LiveKit 的语音智能体 SDK，支持实时流式处理，覆盖 50 多种语言的转录和 35 种语言 50 种方言的情感化语音输出，定价为每分钟 0.0035 美元。
Google新闻·Humanoid+Embodied(英)AI 评分3030 FREELANDER 发布五座 FREELANDER 8 并宣布 AI 语音助手
FREELANDER 在 FREELANDER Nightfall 活动上发布五座版 FREELANDER 8，同时推出 AI 语音助手。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音代理 SDK 和语音模型
Mistral 发布 Voxtral 3，包含语音识别、语音合成和语音代理 SDK，支持50多种语言的实时多步对话。Voxtral Small Transcribe 3 在多语言转录方面达到最先进水平，Voxtral Mini TTS 3 支持35+语言和50+方言，语音代理 SDK 将听、思、说整合为单一实时流管道。
推荐理由：将语音识别、推理和语音合成整合为实时流管道，解决了端到端语音代理的四大挑战，同时支持50多种语言和专业语音克隆。
IT之家AI 评分3030 三星公布 Galaxy Buds On 耳夹式耳机细节：TwinBoost 扬声器系统、三麦克风设计
三星电子发布首款耳夹式耳机 Galaxy Buds On，10 月 27 日在韩国上市，售价 299,000 韩元。该耳机采用 TwinBoost 双低音单元设计，支持 AI 感知操作和声音泄漏抑制技术，配备三麦克风及骨传导传感器提升通话质量。
开源中国AI 评分7373 蚂蚁百灵开源 Ming-3.0 语音系列
蚂蚁百灵开源了 Ming-3.0 语音系列，包含声音创作、长语音分析和业务语音转写三类任务的三套模型五款产品。TTS 模型亮点是导演模式，支持文字描述和参考音频定制音色。
IT之家AI 评分7373 蚂蚁百灵开源 Ming-3.0 语音系列模型
蚂蚁百灵今日开源 Ming-3.0 语音系列，包含语音合成、音频理解与对话、语音识别三个系列共五款模型。Ming-3.0-tts 系列支持文字描述音色和导演模式说明表演方式，Ming-3.0-audio-flash/tiny 可直接处理长音频转写、总结和分析，Ming-3.0-asr-tiny 通过高质量语料提升语音识别效果。这些模型已在蚂蚁内部多个业务场景落地应用。
IT之家AI 评分6868 日本演员工会发布AI语音使用准则，龙珠悟空配音演员怒批AI盗用其声音
日本演员协会(JAU)发布生成式AI使用准则第一版，规定任何复刻演员声音的主体必须在流程每一步取得当事人同意，未经许可使用视为盗窃。野泽雅子等配音演员强烈反对AI未经授权使用其声音，认为这和盗窃没有区别。
HuggingFace Daily PapersAI 评分4545 Qwen-Audio-3.1-ASR 技术报告
Qwen-Audio-3.1-ASR 是基于 Qwen-Audio-3.0-ASR 的音频语言模型家族，支持 30 种语言和 16 种中文方言，新增说话人分段转录和通用音频理解能力。该模型提供异步文件转录、低延迟流式传输等部署变体，并在传统 ASR、多语言及方言语音等任务中通过评测验证性能。
HuggingFace Daily PapersAI 评分4040 StyleStream 2.0: 快速可控的流式语音风格转换
StyleStream 2.0 将端到端延迟降至 520ms，较前代提升 2 倍速度，同时保持转换质量。该模型通过紧凑的风格嵌入和文本条件流匹配模型，支持基于文本的语音设计和指令式语音编辑。实验显示其在目标风格保真度上达到最优，同时保持可懂度和未编辑属性保真度竞争力。
AWS Machine Learning BlogAI 评分4343 Deepgram 优化 AWS Trainium 语音 AI 推理效率
Deepgram 将 Nova-3 语音识别模型迁移至 AWS Trainium2，在批处理任务中实现每美元处理音频量提升 11–70%。通过 PyTorch 重建、内核调优及 Rust 并行运行时，单 trn2.3xlarge 实例可运行 8 个模型副本，成本效率显著提升。
IT之家AI 评分3535 微信鸿蒙版 App 8.0.22.44 邀测升级：接入 A2A 能力，支持语音唤醒小艺发送消息
微信鸿蒙版 App 8.0.22.44 版本邀测升级，新增语音唤醒小艺发送消息功能（仅限联系人）。更新内容包含个人资料发票抬头、聊天界面时间切换、服务号通知管理优化、群聊演示功能等，测试时间为 2026/10/16-2026/11/15。
IT之家AI 评分7373 NPCTalk模组为《GTA 5》NPC实现实时无脚本语音对话
NPCTalk是一款开源AI模组工具，为《GTA 5》带来实时无脚本对话功能，玩家可直接与NPC对话，角色会使用AI克隆的原声回应。该系统结合英伟达Nemotron ASR、Qwen 3.8 27B模型和Fish Audio Drama 3等技术，响应时间约1.15-2.2秒，目前仅在《GTA 5》旧版单人模式中完成演示。
HuggingFace Daily PapersAI 评分3535 SEAM：低资源 TTS 的频谱嵌入对齐与合并方法
SEAM 提出零音频初始化方法，通过频谱滤波和岭回归构建未见词元的嵌入向量，在三种语言和两种 TTS 架构中，仅需四分之一训练数据即可接近或匹配基线性能，降低样本复杂度 75%。
HuggingFace Daily PapersAI 评分4040 Heartbeat Thinking：实时语音代理中的推测推理与工具执行
Heartbeat Thinking 通过周期性调用处理语音更新，允许正在进行的推理和工具调用完成，在 SpeechFCEval、FDBench v3 和 AudioCRAG 基准测试中提升工具覆盖率，FDBench v3 上工具覆盖率提高 16 个百分点，最终响应延迟降低 36.4%。
开源中国AI 评分6565 AIGCPanel v2.6.0 照片直接生成数字人形象，语音合成参数可调
AIGCPanel v2.6.0 版本支持通过一张照片直接生成数字人形象，无需录制视频，同时新增语音合成参数生成时微调功能和任务调度兜底机制。
HuggingFace Daily PapersAI 评分3535 SPARC: 口语档案作者识别语料库
研究者推出 SPARC 语料库，包含 1.25 万名说话者、150 万条高质量语音转录文本，并标注性别、年龄和口音标签。评估显示 LLM 可仅通过文本区分同一说话者，且在性别和口音标签验证中表现优于随机水平。仅发布 50 词短文本可显著降低最强模型的识别能力。
IT之家AI 评分3535 微信鸿蒙版 App 测试接入 A2A 能力，支持语音唤醒小艺发送消息
微信鸿蒙版 8.0.22 更新接入 A2A 能力，支持语音唤醒小艺向好友发送文字消息、发起语音或视频通话。当前暂不支持群聊操作及微信分身功能，小艺需更新至 11.7.8.303 版本。
量子位AI 评分3535 网易叭哥说上线用户荣誉联创计划，投入10万元征集产品建议
网易首个AI原生语音Agent「网易叭哥说」上线“用户荣誉联创计划”，投入10万元征集产品建议，设置11个名额，单人最高独得5万元，不设学历专业门槛。该计划不限定建议方向，用户可围绕产品功能、使用场景、体验问题及未来能力设想提交建议。入选用户将获得奖金、联创聘书、网易定制纪念工卡、面试直通等权益，且贡献可查、可署名、可永久留存。
IT之家AI 评分5050 亚马逊旗下 Bee 推出两款 AI 录音产品：可穿戴设备 Frontier、手机磁吸配件 Eclipse，74.99 美元起
亚马逊旗下 Bee 推出两款 AI 录音产品 Frontier 和 Eclipse，售价 74.99 美元起，主打实时对话转待办事项、摘要和洞察。Frontier 可佩戴于手腕或衣物，支持 IP67 防尘防水，续航 7 天；Eclipse 为手机磁吸配件，续航超 21 天。基础功能免费，Pro 订阅 11.99 美元/月，提供无限摘要和第三方应用集成。
The Verge · AIAI 评分4343 Amazon 发布两款 Bee 可穿戴设备并推出订阅服务
Amazon 推出 $74.99 Bee Frontier 和 $99.99 Bee Eclipse 两款 AI 可穿戴设备，可实时记录对话并提供摘要、待办事项等功能。Bee Frontier 支持佩戴或夹戴，续航约7天；Eclipse 为信用卡造型，续航21天。同时推出 $11.99/月的 Bee Pro 订阅，支持无限摘要、第三方应用集成及购物建议功能。
IT之家AI 评分7575 SpaceXAI 发布 Grok Voice 3.0：号称全球最智能的语音模型
SpaceXAI 发布 Grok Voice 3.0，官方称这是全球智能水平最高的语音转语音模型，延迟低于 1 秒，在客服电话处理任务上创下新纪录。该模型已在特斯拉和 SpaceX 每天支撑数百万次对话，通过 API 上线，定价与上一代产品保持一致。
华尔街见闻精选AI 评分7878 SpaceX发布Grok Voice 3.0语音模型，登顶语音到语音测评榜单
SpaceXAI发布Grok Voice 3.0语音模型，在Artificial Analysis测试中以86.9分登顶语音到语音综合指数，可自主处理70%星链客服来电，定价0.08美元/分钟。
推荐理由：原文提供了具体评测数据和实际应用案例，读者可据此评估该语音模型在真实客服场景中的表现。
OpenAI NewsAI 评分4545 Higgsfield 推出 GPT-6 Astra 等模型，支持生成超 10 分钟视频
Higgsfield 发布 GPT-6 Astra 可生成超 10 分钟视频，GPT-Image-2.5 提供精准视觉生成，GPT-Live 支持语音电影制作。
The Verge · AIAI 评分3535 Ray-Ban Meta Audio 智能眼镜评测：无摄像头设计缓解隐私担忧
Ray-Ban Meta Audio 智能眼镜因无摄像头设计减轻了用户对隐私的顾虑，售价349美元。眼镜搭载Muse Spark AI助手，支持日程查询、提醒设置和导航功能，但复杂任务表现不佳。作为开放式耳机，音质尚可但高音量下音质下降。