OpenAI Developers@OpenAIDevsAI 评分5353

OpenAI Developers 介绍 GPT-Live-1，可在说话的同时监听，通话者能随时打断、补充细节或中途改变方向。Yelp 正在用它让餐厅预订电话更自然，官方发布了演示视频。

OpenRouter 文本转语音 API 五分钟教程

OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音服务，一个 API key 可调用多家供应商的 TTS 模型。

OpenBMB@OpenBMBAI 评分5757

面壁智能 OpenBMB 介绍开发者 @liuzhao1225 基于 VoxCPM2 构建的开源视频本地化工具 YouDub WebUI，通过语音识别、翻译、语音生成、混音到成片的全自动管线生成配音视频。

OpenAI Developers@OpenAIDevsAI 评分6767

OpenAI 宣布 GPT-Live-1 现已在 API 中可用。开发者可在应用中引入 ChatGPT 式自然对话体验，语音智能体可在说话的同时聆听，并支持搭配用户自选的模型和 harness。

OpenAI 在 API 中推出全双工语音模型 GPT-Live-1

OpenAI 在 API 中发布语音模型 GPT-Live-1，可同时听和说，支持将推理和工具调用委派给 GPT-6 Astra 等后端模型，前端语音层定价为每分钟 $0.05。

Tencent Hy@TencentHunyuanAI 评分5959

腾讯混元发布开源语音基础模型 AuK，支持统一语音生成与编辑，可通过自然语言指令加参考音频实现零样本 TTS、指令控制生成、内容与音色/风格/情感编辑、去口音、语速音调控制、增强去噪及多说话人和音乐分离。

Suno@suno精选AI 评分6666

Suno 发布 v6 模型，可将图片、视频和语音备忘录转化为音乐，并对已创建的歌曲进行精确修改。同时提供 v6-wild 版本供探索更多可能性，官方附有 2 分钟以内的功能演示视频。

Baseten 如何让 pyannote 的说话人分离模型提速 9.6 倍

Baseten 优化了 pyannote 最新的开源模型 Community-1 与闭源模型 Precision-2，长音频延迟最高提升 9.6 倍，Precision-2 吞吐量提升 3.2 倍。

Suno@sunoAI 评分99

Suno 发布推文「Soon enough, you'll hear it all.」，并附一段视频，暗示即将推出与听觉相关的新内容，但未给出产品名称、发布时间或具体功能细节。

Microsoft AI 发布语音识别模型 MAI-Transcribe-2

Microsoft AI 发布转录模型 MAI-Transcribe-2，称其在 FLEURS 基准 60 种语言上平均词错率 5.2% 排名第一，并占据 Artificial Analysis 准确率-延迟 Pareto 前沿。

OpenRouter@OpenRouterAI 评分5151

Microsoft MAI-Transcribe 2 已上线 OpenRouter。该模型在 FLEURS 上排名第一，支持 60 种语言的语音转文字，具备自动语言识别、code switching、说话人分离和词级时间戳，可通过 openrouter.ai/microsoft/mai-transcribe-2 使用。

Artificial Analysis@ArtificialAnlysAI 评分5656

Microsoft AI 发布语音转录模型 MAI-Transcribe-2，在 Artificial Analysis AA-WER 排行榜以 2.0% 错误率排名第二，仅次于阿里 Fun-Realtime-ASR-preview（1.7%），领先 ElevenLabs Scribe v2（2.2%）。

Sierra 发布企业级语音 AI 指南，详解 AI 语音智能体与七项通话就绪测试

Sierra 发布企业级语音 AI 指南，讲解企业语音 AI 的工作原理，并提出七项通话就绪测试。测试覆盖听觉、延迟、动作、护栏与人工转接五个维度，用于评估 AI 语音智能体。

Artificial Analysis@ArtificialAnlysAI 评分5959

Artificial Analysis 评测显示，Inworld 新发布的 Realtime TTS-2 以 Elo 1,123 登顶 Controlled Voice Arena，领先 Cartesia Sonic 3.6（1,119）4 分，并在 Provider Voice Arena 以 1,252 位列第二，仅次于 Sonic 3.6（1,282）。

Google 发布 Gemini 3.7 Flash、Gemini 3.5 Transcribe 和 Pixel 11 系列等八月 AI 更新

Google 发布八月 AI 更新汇总：推出面向编码和 Agent 的工作模型 Gemini 3.7 Flash，价格为 Gemini 3.6 Flash 推出价的一半每百万 token。

Artificial Analysis@ArtificialAnlysAI 评分6161

Meta Superintelligence Labs 发布其首个流式语音转文本模型 Muse Voice Transcribe，以语音结束后 0.16 秒、3.1% WER 登顶 AA-WER Streaming 最终转写准确率榜首。

AI at Meta@AIatMetaAI 评分6262

Meta Superintelligence Labs 发布 Muse Voice Transcribe，称其为首个实时音频感知模型。模型支持实时流式 ASR、20+ 说话人的 diarization 和 endpointing，多语言且可无缝 code-switching，可通过语言、关键词和上下文偏置提升准确率。该模型在 Artificial Analysis 的流式语音转文本和公开 diarization 基准上排名第一。

OpenBMB@OpenBMBAI 评分4646

面壁智能 OpenBMB 介绍开发者 @zast57 基于 VoxCPM2 构建的开源 AI 视频翻译配音工具 ZastTranslate，将本地 AI 转录、翻译和自然语音生成引入多语言内容创作流程。工具支持多语言视频翻译、语音克隆配音，代码、网站和 VoxCPM2 模型分别发布在 GitHub、zast57.com 和 Hugging Face。

OpenBMB@OpenBMBAI 评分2626

面壁智能（OpenBMB）转发一位日本创作者对 VoxCPM 语音生成 AI 的评价，该创作者称 VoxCPM 性能出色，借助它在不露脸不出声的情况下 YouTube 订阅数突破 1,800 人（截图显示 1,817 人），并认为视频结合联盟营销的赛道竞争者少、机会大。面壁智能表示很高兴看到 VoxCPM 被用于日语内容创作，鼓励创作者继续尝试 AI 语音技术。

Muse Voice Transcribe 发布，实时转写支持多说话人与语言切换

Muse Voice Transcribe 提供流式语音识别、说话人区分和端点检测，已用于 Meta AI、Muse Code 并通过模型 API 提供。模型训练覆盖七十多种语言，其中二十五种经过深入验证；支持语言切换不代表所有语言质量完全相同。

Google 发布 Gemini 3.5 Transcribe 语音转文字模型

Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、格式化文本。据 Artificial Analysis 测量，流式场景平均词错误率 4.0%，非流式 2.6%；相比上一代 Chirp 3，最终转写时间改善 70%，FLEURS 基准上流式 WER 为 5.50%、非流式为 5.04%。

Google DeepMind 在 Flow Music 发布音乐生成模型 Lyria 3.5

Google DeepMind 发布音乐生成模型 Lyria 3.5，并当天在 Google Flow Music 上线。新版本在旋律结构、歌词质量与提示词遵循、人声表现力与发音上均有提升，同时让用户更易控制输出的节奏与时长。

Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型

Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音翻译，全程仅落后说话人数秒。

Google DeepMind 发布 AI co-clinician 医疗智能体研究

Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。

Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数，并支持 70 多种语言和原生多说话人对话。