Realtime-Venus：支持异步委托的全双工交互系统
论文提出 Realtime-Venus 全双工交互系统，包含两个独立训练的 9B 模型，Realtime-Venus-Omni 负责音视频交互，Realtime-Venus-Audio 负责语音交互。
#语音
#语音
今日 0 条HuggingFace Daily Papers（社区热门论文）AI 评分5757 
OpenAI Developers@OpenAIDevsAI 评分5353OpenAI 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：Announcements（RSS）AI 评分5656 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5757IT之家（RSS）AI 评分5555 小米开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1
小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，针对多人同时说话时识别率大幅下降的鸡尾酒会难题。模型采用端到端 LLM 架构，以目标说话人参考音频作为声纹提示，在多个主流多说话人测试集上达到 SOTA；单人识别性能比肩标准 ASR 模型，可拒识非目标说话人并支持思维链推理模式。代码开源于 GitHub 和 HuggingFace。
Sherwin Wu@sherwinwuAI 评分6666IT之家（RSS）AI 评分7373 OpenAI 将 GPT-Live-1 引入 API，支持全双工语音、打断处理与工具调用
OpenAI 宣布 GPT-Live-1 上线 API，支持全双工对话、处理打断与背景噪声，可用于电话语音智能体，并将语音理解与输出整合在同一模型中以降低延迟。
Greg Brockman@gdbAI 评分6767GPT-Live-1 现已登陆 OpenAI API。开发者可将 ChatGPT 式自然对话带入应用，构建能边说边听的语音智能体，并自选所用的模型与 harness。
🚨 AI News | TestingCatalog@testingcatalogAI 评分6767
Thomas Wolf@Thom_WolfAI 评分7272
Tibo@thsottiauxAI 评分7272The Decoder：AI News（RSS）AI 评分7474 OpenAI 开放 GPT-Live-1 语音模型 API，支持全双工边听边说
OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，支持全双工同时听和说，价格为每分钟 $0.05。相比 GPT-Realtime-2.1，其全双工交互测试得分 80.1% 对 45.4%，轮次延迟从 1.4 秒降至 0.8 秒，工具调用准确率从 60% 升至 87%，银行语音支持基准通过率从 12.4% 升至 32%。
- 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：官网动态（RSS · 排除企业/客户案例）精选AI 评分7070 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。
推荐理由：原文给出单模型全双工语音架构、基准变化和定价，读者可以据此评估它能否简化现有语音 Agent 的分层方案。
Hacker News 热门（buzzing.cc 中文翻译）AI 评分6060 Apple Watch 新增 Siri 摘要功能引发始终聆听的隐私争议
Apple 在 Apple Watch Series 12 和 Ultra 4 上推出 Audio Intelligence 功能 Siri Recaps，可总结一天中的对话，用户可按计划或在 Smart Stack 顶部开关。
Tencent Hy@TencentHunyuanAI 评分5959公众号：卡尔的AI沃茨AI 评分6060 网易叭哥说语音输入法上手评测：E2E 平均 1683ms，对比 Typeless、豆包与闪电说
作者实测网易有道新上线的语音输入法叭哥说，与 Typeless、豆包输入法、闪电说横向对比。叭哥说采用双模型分工，E2E 平均 1683ms、P95 2134ms，并支持小声拾音、个人词典即刻生效和多语言翻译等功能。
IT之家（RSS）AI 评分6868 OpenAI ChatGPT 语音模式支持调用 GPT-5.6 Sol 和 GPT-6 Astra
OpenAI 语音产品负责人 Atty Eleti 宣布 ChatGPT 语音模式可自由选择模型和推理深度，Pro 套餐可调用 GPT-5.6 Sol 或 GPT-6 Astra，语音模式在需要搜索或复杂推理时自动调用指定模型。
Suno@suno精选AI 评分6666Suno 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。
推荐理由：官方宣布 v6 上线并给出多模态输入与歌曲精修能力，可据此了解音乐生成模型的最新变化。
The Verge：AI（RSS）AI 评分7272 Suno 发布 v6 AI 音乐模型，首次采用唱片业授权数据训练
Suno 发布 v6 AI 音乐模型，是首个获得唱片业支持的版本，训练数据包含来自 Warner Music Group、BMG 和 Believe 的授权内容及用户数据。
- 🚨 AI News | TestingCatalog@testingcatalogAI 评分6868
Baseten 工程博客（网页）AI 评分3838 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。
Hacker News 热门（buzzing.cc 中文翻译）AI 评分6969 Desert Ant Labs 发布 18 个可在设备上运行的专用小模型
欧洲 AI 实验室 Desert Ant Labs 正式成立并上线首批 18 个端侧专用模型（12 个稳定版、6 个 beta），覆盖音频、视觉和文本任务，通过 Swift、Kotlin 和 JavaScript 的统一 SDK 提供，在 GitHub 和 Hugging Face 开放。
MarkTechPost（RSS）AI 评分6969 Gradium 发布 Voice Design：写一段描述文字，几秒生成全新合成语音
巴黎语音 AI 公司 Gradium（从 Kyutai 研究实验室分拆）推出 Voice Design，输入 1 到 500 字符的描述即可在 3 到 5 秒内生成 1 到 5 个候选语音，无需参考音频，支持英法西葡德 5 种语言，已在 Gradium API 和 Studio 全部套餐免费开放。
HuggingFace Daily Papers（社区热门论文）AI 评分5757 Gander 全双工全模态交互智能体技术报告发布并开源
作者发布 Gander 技术报告，这是一个端到端模型，在单一框架内统一全模态感知、实时交互与智能体能力，支持视频、语音、文本流式输入与随时打断的全双工交互。其采用 Cerebellum-Brain 协同框架，小脑负责实时交互与对话，大脑负责复杂推理与智能体任务，并基于流式 Thinker-Talker 架构实现低延迟；模型、代码和数据将开源。
The Decoder：AI News（RSS）AI 评分7171 Meta 发布实时音频模型 Muse Voice Transcribe，主打语音转写与说话人分离
Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，将音频切分为 80 毫秒块，通过强化学习为每个词动态调整等待时间，并内置说话人区分（可同时区分 20 人以上）和句界检测。
IT之家（RSS）AI 评分6565 谷歌在 Gemini 应用和 API 中上线音乐生成模型 Lyria 3.5，可生成长达数分钟的完整歌曲
谷歌于 9 月 5 日宣布在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，可生成含数段副歌、桥段等数分钟完整歌曲，用户可通过 gemini.google.com/music 网站和应用使用。
jason@jxnlcoAI 评分4747OpenAI Codex 在已有线程中上线语音功能，可在桌面端任意线程开启。用户可与编写 PR 的智能体语音讨论、辩论架构或商量后续计划，沟通结束后让智能体继续工作。
- 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。
The Verge：AI（RSS）AI 评分5151 Ugreen 在 IFA 发布 HomeAgent 本地智能家居平台，主打端侧 AI 助手 Uliya
Ugreen 在 IFA 展会发布 HomeAgent 智能家居平台，将 NAS、监控 NVR 和端侧 AI 整合到一个中枢中，由语音助手 Uliya 管理，宣称数据全部本地处理、无月费。
IT之家（RSS）AI 评分5757 人人影视更名上线 App，李渊敏称力争激活 3000 万存量用户并优先面向东南亚输出国产影视
人人影视更名为“人人影视分享精彩”，App 已在安卓端上线、iOS 端筹备完成，运营方为分享精彩网络科技（嘉兴）有限公司，负责人李渊敏称本月起点对点推广、力争激活 3000 万存量用户。平台依托 7 万余集影视素材样本打造 AI 影视本地化技术，实现角色音色克隆，计划覆盖 50 余个国家和地区，优先面向东南亚输出国产影视内容，片源与华数传媒合作正版购买，目前处于前期公测、月底正式发布。
IT之家（RSS）AI 评分6363 微软发布转录模型 MAI-Transcribe-2：支持 60 种语言，平均词错误率 5.2%
微软 9 月 3 日发布语音转文字模型 MAI-Transcribe-2，称其是自家最快、最准确、最便宜的转录模型，支持 60 种语言。
Rohan Paul@rohanpaul_aiAI 评分3535HojoAI 的 Hojo-ASR-Multi-V1 正式上线 Open ASR Leaderboard，全球排名第 7、开源多语言 ASR 第 1，五语言平均 WER 3.54%。
Sundar Pichai@sundarpichaiAI 评分4949The Verge：AI（RSS）AI 评分6161 Google 推出 Gmail Live、Docs Live 和 Keep Live 语音助手功能
Google 开始向全球移动端推出 Gmail Live、Docs Live 和 Keep Live 三项 AI 语音功能，支持免手操作查询信息、总结和转录。Gmail Live 可从收件箱口头回答问题并附邮件来源链接，Docs Live 能把口述需求整理成结构化文档并可在授权后调用 Gmail、Drive、Chat 和网页信息，Keep Live 支持自然语言记录笔记。
Microsoft AI：官方博客（网页）精选AI 评分6464 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。
推荐理由：官方给出具体基准排名、对比速度倍数和定价，读者可以据此评估它对现有语音转写方案的可替换性。
OpenRouter@OpenRouterAI 评分5151
Artificial Analysis@ArtificialAnlysAI 评分5656
Mustafa Suleyman@mustafasuleymanAI 评分4949
X.PIN@thexpinAI 评分4949