用 Amazon Bedrock AgentCore、托管知识库和 Nova Sonic 构建语音旅行助手

基于 Amazon Bedrock AgentCore、Amazon Bedrock Knowledge Bases 和 Amazon Nova 2.5 Sonic，可在航空公司应用中搭建语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。

Suno@sunoAI 评分4646

用 Suno Studio，你可以录制自己的声音，把它变成任何东西。 电吉他只是开始。

OpenBMB@OpenBMBAI 评分3838

MiniCPM-o 4.5 现已支持 SGLang Omni v0.1.7。 为开发者提供更多灵活运行和构建该模型的方式。

Runway@runwaymlAI 评分4141

ElevenLabs v4 现已登陆 Runway。v4 模型擅长旁白和角色对话，表现力和语调自然度均超越以往。 即日起可用，与全球顶尖的图像和视频模型一同提供。点击下方链接立即体验。

Manus@ManusAIAI 评分5454

Manus 官方宣布 Manus 与 @CueAgents 现在可以拥有自己的电话号码，智能体能拨打和接听电话、收发短信，用户还可将自己的来电转接给智能体。该功能目前仅在部分国家可用，部分地区仅支持语音，官方称正在努力扩展到更多国家。

用 vLLM-Omni 在 SageMaker AI 上构建实时语音应用（上）：流式部署 Qwen3-TTS

AWS 发布教程，演示如何用 vLLM-Omni Deep Learning Container 在 Amazon SageMaker AI 上部署 Qwen3-TTS 文本转语音模型，实现边生成边播放的流式语音输出。

Artificial Analysis@ArtificialAnlysAI 评分6161

Artificial Analysis 评测显示，ElevenLabs 的 Eleven v4 在 Provider Voice TTS Arena 排行榜和 Pronunciation Robustness 基准上排名第一。

面壁智能亮相东盟博览会，发布多语种语音底座 VoxCPM

2026年9月17日至21日，面壁智能在南宁举行的中国—东盟博览会上展示了其端侧高效大模型及针对东盟小语种的语音技术。联合创始人雷升涛阐述了“密度定律”推动端侧AI爆发，CTO曾国洋介绍了多语种语音底座VoxCPM。该模型基于2B参数架构，支持30种语言与9种方言，具备声音克隆、情感表达等能力，旨在解决东盟语言多样性挑战，并已在老挝国家大模型交付及多国政务、商业场景中落地。

Tencent Hy@TencentHunyuanAI 评分5656

腾讯混元发布 Tencent Hy Translate 翻译应用，由 Hy-MT2 模型驱动，支持 33 种语言，含 5 种中国少数民族语言和方言。应用支持语音、拍照翻译，可完全离线在端侧运行、无需网络，目前已在 12 个国家和地区上线，并提供 iOS 下载链接。

OpenAI@OpenAI精选AI 评分7272

OpenAI 宣布 ChatGPT Voice 更新，即日起在最新版应用全球推送。语音功能现可使用邮件、日历和 Slack 等插件，并由 GPT-6 Astra、Sol 和 Luna 模型驱动。同时语音可在网页和移动端的 ChatGPT Work 中使用，仅通过说话即可在浏览器中创建文档、演示文稿、网站和表格，或处理复杂任务。

Gemini Live Avatar 上线企业入口，生成同步说话的视频形象

谷歌将实时视频形象加入 Gemini 3.8 Live，企业可构建带口型、表情和语音同步的对话角色，并在后台调用工具。服务支持多语言和预设形象；从参考图片定制形象需要企业白名单，音视频输出带有 SynthID 水印。

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零设计声音、30 秒样本复刻声音，并提供逐行表演指导、长时音频生成和双说话人场景编排，覆盖 100 多种语言。

Artificial Analysis@ArtificialAnlysAI 评分5454

Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两个文生语音模型，支持预设音色和声音复刻。

Google AI@GoogleAIAI 评分6262

Google AI 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音模型，支持 100+ 语言自定义声音和 2,000+ 现成语音，可生成数小时一致、无毛刺的音频。

NVIDIA Nemotron 3 Diarization 上线 Baseten，实时说话人分离低至每音频小时一美分

Baseten 发布对 NVIDIA Nemotron 3 Diarization 的托管支持，这是一个约 100M 参数的流式说话人分离模型，单一 checkpoint 可在 0.32 到 30.4 秒间配置四种算法延迟。

Google DeepMind@GoogleDeepMindAI 评分5757

Google DeepMind 发布两款新的文本转语音模型。Gemini 3.8 Flash TTS 可设计带有独特口音和特征的自定义声音；Gemini 3.8 Flash-Lite TTS 面向效率与规模，可选用自建风格或官方生产就绪的声音库。

NVIDIA 发布开源 100M 参数说话人分离模型 Nemotron 3 Diarization，登顶 VoiceArena Diarization-Bench

NVIDIA 发布开源权重、100M 参数的 Nemotron 3 Diarization 说话人分离模型，支持最多八名说话人，在 VoiceArena Diarization-Bench 12 个系统中以 14.72% DER 排名第一，比第二名低约 24% 相对值。

Qwen@Alibaba_Qwen精选AI 评分6767

Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增音频创作模型 TTS-Next 和音频理解模型 ASR-Next，共五个模型覆盖理解、生成、交互与创作。全线降价，TTS 约 70% off、Realtime 约 85% off、ASR 最高 95% off；Realtime 可边说边听、随时打断，检测到低落情绪时会放慢语速并共情回应。

Artificial Analysis@ArtificialAnlysAI 评分5252

Artificial Analysis 将 Controlled Voice Arena 扩展到日语、中文、印地语、西班牙语、德语、法语、葡萄牙语、越南语和阿拉伯语 9 种语言，发布多语言 Text to Speech Arena 排行榜。

Artificial Analysis@ArtificialAnlysAI 评分5353

StepFun 发布 StepAudio 3 ASR，在 Artificial Analysis 非流式语音转写 AA-WER Index 上以 1.7% WER 排名第一，较 StepAudio 2.5 ASR 的 4.7% 明显提升。

OpenBMB@OpenBMBAI 评分5353

OpenBMB 官方介绍，开发者 @HenryZ30734018 基于 VoxCPM2 的 MLX 实现打造了开源同声传译系统 VoxWeft，在 Apple Silicon 上实现端侧实时语音翻译，音频不出设备。

Qwen@Alibaba_QwenAI 评分5757

Qwen 发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上将平均延迟（LAAL）从 2.8s 降至 2.3s，同时提升忠实度、流畅度和简洁性。

Artificial Analysis@ArtificialAnlysAI 评分5555

SpaceXAI 发布语音转文字模型 Grok Voice Transcribe 2.0，在 AA-WER Streaming 上以语音结束后 0.49 秒 2.7% WER 登顶最终转写和首个部分转写准确率。

xAI 发布 Grok Voice Transcribe 2.0 语音转写模型，准确率较 1.0 翻倍

xAI 发布 Grok Voice Transcribe 2.0 语音转写模型，官方称在真实场景评测中准确率是 1.0 的两倍且价格不变。在 Artificial Analysis 公开榜单上，它在 32 个 streaming 模型中准确率排名第一；多语言能力提升最大，短短语集合上词错误率从 20.6% 降至 6.8%。

Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，LAAL 降至 2.3 秒

Qwen 发布 Qwen3.8-LiveTranslate，采用 Interleave 架构与 Hybrid-MoE Thinker–Talker 设计重构实时同声传译，平均滞后（LAAL）从上一代的 2.8 秒降至 2.3 秒。

Grok@grokAI 评分2525

由 Grok Voice 驱动 ❤️ https://x.ai/voice

Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash，主打音视频智能体任务交付

Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入及 1M token 上下文窗口，29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%，音频输入每小时价格下降超过 98%，音视频输入每小时价格下降超过 93%。

OpenBMB@OpenBMBAI 评分5353

面壁智能（OpenBMB）转发 Dubedo 的测试版发布，称这是 VoxCPM2 希望促成的产品形态。Dubedo 支持 30 种语言配音、按说话人克隆声音，并在同一编辑器内微调台词和时间轴，beta 入口为 https://dev.dubedo.com。

Google 发布 Gemini 3.8 Live 与 3.5 Transcribe 实时语音模型

Google 在 Gemini API 和 Google AI Studio 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型，支持异步函数调用、视觉上下文、97+ 语言和可配置思考，Extended Thinking 版位列 Artificial Analysis 语音到语音榜单第一。

蚂蚁 inclusionAI 开源全双工音视频交互模型 Realtime-Venus

蚂蚁集团 inclusionAI 在 Hugging Face 发布 Realtime-Venus，包含 Realtime-Venus-Omni 和 Realtime-Venus-Audio 两个 9B 检查点，基于 MiniCPM-o 4.5 / Omni-Flow 架构，语言骨干为 Qwen3-8B。

蚂蚁 inclusionAI 开源 Realtime-Venus 全双工交互系统

蚂蚁集团 Venus 团队与清华大学在 GitHub 开源 Realtime-Venus，一个支持全双工对话与异步任务委托的实时交互系统。系统包含三个组件：Realtime-Venus-Omni（9B，流式音视频对话与主动交互）、Realtime-Venus-Audio（9B，语音交互与音频理解）以及负责后台任务执行并将结果返回同一对话的 Harness 运行时。

Hao AI Lab@haoailabAI 评分6060

FastVideo 的 FastH3 现已在 ComfyUI 上可用，可在数秒内同时生成视频和原生立体声音频。官方推荐用于需要大量镜头的预演与动态分镜、全质量渲染前的时间和对话测试，以及时间紧迫的短视频和社交媒体工作，目前可本地运行，云上版本即将推出。

Artificial Analysis@ArtificialAnlysAI 评分6767

Artificial Analysis 评测 Google 发布的语音到语音模型 Gemini 3.8 Live，其 Extended Thinking (High) 版以 82.6 分登顶 Speech to Speech Index，并在 Tau Voice 以 68.6% 居首。

StepFun@StepFun_aiAI 评分6464

阶跃星辰发布 StepAudio 3 系列共 5 款音频模型，覆盖实时语音、语音识别、语音生成、音频生成和音乐。Realtime 在 Artificial Analysis 的 Conversational Dynamics 达 98.9%、Speech Reasoning 达 99.7%，均排名第一；ASR 词错率 1.7%，与榜单最佳持平。

Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking

Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两个近实时语音对话模型，主打语音智能体和复杂任务执行。

Google AI@GoogleAIAI 评分6464

Google AI 发布迄今最先进的 Gemini 音频模型 Gemini 3.8 Live 与 3.8 Live Extended Thinking。

阶跃星辰发布 StepAudio 3 系列语音大模型，多款在 Artificial Analysis 榜单全球第一

阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。

Artificial Analysis@ArtificialAnlys精选AI 评分6666

Artificial Analysis 发布 Speech to Speech Index，OpenAI 的 GPT-Live-1 以 81.5 分（Astra 后端，medium 推理强度）排名第一，超过 Grok Voice Think Fast 2.0 High 的 81.3；Sol 后端配置得 80.1 排第三。

OpenAI Developers@OpenAIDevsAI 评分7070

OpenAI 宣布 GPT-Live-1 正式登陆 API，即 1-800-ChatGPT 背后的语音能力。开发者可把它接入应用，获得边说边听的自然对话语音智能体，并搭配自选的模型与 harness 使用。

Suno 发布 v6 音乐模型，推出 v6、v6-wild、v6-mini 三个版本

Suno 发布新一代音乐模型 v6，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发，后续将全面替换旧模型。v6 分为三个版本：旗舰 v6 和探索向的 v6-wild 面向 Pro 与 Premier 订阅用户，更快的 v6-mini 向所有人开放。