标签
Hume AI 发布了 Hume Audio Decision API，开发者只需一次调用即可让 AI 代理理解音频内容（如说话人数、笑声、情绪等），取代过去需要 10 多个模型的流程，该 API 基于 1000 万+ 人类判断训练，支持实时与长音频分析。
Hume AI 宣布推出 Hume Audio Decision API，这是一款音频原生模型，无需转录文本，即可直接根据音频回答有关语气、情绪、语言和说话人数的问题。该模型使用超过 1000 万条人类评判数据和 1 亿小时的音频进行训练。
SpeakON 推出了一款可吸附在 iPhone 背面的实体按钮，能将语音输入转化为文本、笔记和会议后续事项，并提供语音打字、翻译、离线录音和智能体工作流等功能。
MOSS 宣布推出全双工实时语音 AI MOSS-Live，它能够同时聆听、说话和处理任务，并能识别背景噪声和自然打断，目前已开放 API 访问。
Voice Arena 推出了 Turing TTS，这是一个通过“欺骗率”衡量听众将 AI 语音误认为人类语音频率的基准测试；即使是表现最好的模型 Gemini 3.8 Flash TTS，也只有约 10% 的时候能骗过听众。
语音 AI 的下一次突破，或许将来自对模型评估方式的重新思考，而非评选出新的最强模型。Voice Arena 的图灵 TTS 基准测试衡量的，正是人类听众将 AI 语音误认为真人语音的频率。
Turing TTS 是一项新推出的评估，用于衡量人类听众将 AI 生成的语音误认为真人语音的频率；即使是最优秀的文本转语音（TTS）模型，也仅在约 10% 的情况下骗过听众，这引发了关于如何更好地衡量语音 AI 进展的讨论。
SVPino 强调了 Voice Arena AI 的 Joy 数据集——一个包含 10 万小时的双通道对话式语音数据集，拥有独立的每说话人音轨，并涵盖语音重叠、打断、停顿和反馈词（backchannels），旨在教会语音模型掌握对话节奏。
Granola 为 Mac 推出语音听写功能，可在所有应用中清理和格式化语音内容，与 Wispr 展开竞争。随着语音 AI 初创公司纷纷将笔记记录与听写工具整合，iOS 和 Windows 版本也即将推出。
Deepgram 收购了知名开源语音 AI 框架 Pipecat 的开发商 Daily，以加强其实时语音 AI 基础设施，同时承诺保持 Pipecat 的开源状态，并推出面向语音智能体的全新实时上下文标准协议。
Deepgram 新推出的 Flux TTS 旨在解决语音智能体处理流程中一个关键的准确性瓶颈：对于药品名称和快递追踪号等棘手的字母数字字符串，其词错误率仅为 3.4%，同时在整个语音交互闭环中保持自然流畅的语音。
Nvidia 发布了免费开源权重语音转写模型 Nemotron 3.5 Transcribe（30B 参数，支持 40 种语言）以及 Granary 开源语音数据集 v2，瞄准会议记录和医疗转写等企业应用场景。该模型声称在 Open ASR 等基准上超越竞争对手，且可在单芯片上运行。
Vaani 开发者平台正式推出，作为一个零代码语音 AI 框架，可用于构建声音自然如真人的语音智能体、设计通话流程、应对异议、集成工具，并通过真实电话号码上线运行，输出结构化通话数据。
VapiCon 2026 是一场为期两天的前沿语音 AI 峰会，将于 11 月在旧金山 Fort Mason 举办，汇集 Vapi、OpenAI、LangChain、Deepgram 等公司的 50 多位演讲者，探讨语音智能体的发展与未来。
Dessa 推出一个仅基于语音数据训练的对话模型（Conversation Model），相关页面由 Block 管理，目前可见内容主要为网站隐私政策说明。
Block 发布了 Dessa，这是一款完全基于真人语音训练的全双工语音到语音模型，可在消费级 GPU 上本地运行，能够生成富有表现力、宛如真人般的对话，并内置情感表达。
ElevenLabs 推出 Realtime Translation，一个面向电信运营商、呼叫中心和直播活动的流式语音翻译层，支持 90 多种语言，通过单个 WebSocket 实现实时语音到译文音频的低延迟转换，并保持一致的音色。
一篇中文视频解读硅谷 AI 通话软件 Retell：年化收入达 8000 万美元却仅融资 460 万，其商业模式是从按分钟收费的接电话层向按结果收费转型。
Otter AI 宣布从 General Catalyst 的 Customer Value Fund 筹集 3.2 亿美元，以推动其 AI 会议记录工具的企业级增长、国际扩张和产品创新，此时它正处于竞争激烈的笔记工具市场中。