AI 编程实时动态与要闻

ElevenLabs 官方账号 10 月 29 日 18:03（UTC）发布 SFX v3，称它能从单条文本提示词生成更丰富、更精确的音效，音乐和人声表现更好，已在 ElevenCreative 和 ElevenAPI 上线。官方文档显示新模型 ID 为 eleven_text_to_sound_v3，沿用原有 Sound Effects API，但默认模型仍是 v2，且 v3 目前限量开放、并非所有地区可用。

查看大图

Mistral AI 正式推出 Voxtral 3 语音多模态大模型家族与配套的实时 Voice-Agent API。该套件包含 40 亿参数的 Mini 转录模型、超越 Whisper 与 Gemini 3.5 的 Small 转录模型，以及基于 LiveKit 的端到端语音智能体 SDK。系统支持 50 种语言高精听写与说话人分离、跨 35+ 语言带情感标签的情感语音合成（TTS）以及 30 分钟音频专业级声音克隆。在 Artificial Analysis 独立基准评测中，Small Transcribe 3 以 2.1% 极低字错率登顶全球语音识别榜单季军，Realtime 转录单步延迟低至 500ms 以内，每分钟语音智能体调度成本低至 0.04 美元。

查看大图

10 月 20 日，ElevenLabs 发布 Eleven Realtime，一类端到端语音到语音模型，每个模型本身就是完整的语音 Agent，不再需要自己拼语音识别、大模型和语音合成。v1 Mini 主打低成本自然对话，v1 Max 面向客服和多步骤工具调用。两者支持 90+ 语言、可用 17,000+ 种音色。官方引用 Artificial Analysis 独立评测：Max 在 Big Bench Audio 答对 98.8%、平均 0.57 秒开始说话。接口兼容 OpenAI Realtime API，改端点和模型名即可迁移。

查看大图

在 Artificial Analysis 最新发布的全球文本转语音（TTS）独立基准评测中，蚂蚁集团（Ant Group）开源的 Ming-3.0-tts 斩获 93.2% 的发音准确率，在全部 31 款参评模型中位列第一（超越 ElevenLabs v4 的 91.7%）。该模型提供 0.5B 密集版与 7.9B MoE 架构版本，支持高质量声音克隆与预设音色，在受控声音评测榜以 1,069 Elo 分位居开源第一，且以极度宽松的 MIT 开源协议完全向开发者免费开放。

查看大图

LiveKit 于 2026-09-26 在 GitHub 发布 Python 包 [email protected]（PyPI livekit-agents 1.8.3）：Google Gemini 3.8 Live 路径默认 tool_behavior=NON_BLOCKING，并在 text API 上以 parameters_json_schema 发送 FunctionTool schema；OpenAI 侧新增 GPTLiveModel.with_azure，Realtime inference client 迁入 agents core；STT 增加 AssemblyAI universal-3-6-pro 与 language_confidence，ElevenLabs realtime chunk duration 可配；语音栈修复并行工具取消 handoff、按 call_id 配对 tool output、fallback/stream adapter 原样转发帧，以及 LiveAvatar 打断与插件注册。同日 JS @livekit/[email protected] 强化 agent_turn 遥测与自适应打断。

查看大图

开源语音/多模态助手框架 Pipecat 于 2026-09-26 发布 v1.12.0：TTSService.pronunciation_transform_ipa() 用词→IPA 映射生成可跨 Cartesia/ElevenLabs/Inworld/Deepgram 复用的发音变换；MOQTransport 增加客户端模式重连与 session-ending 标记；新增 Pipecat Classifiers、LLMClassifier、帧级 interruptible，以及 LLM run_inference 的 response_schema。PyPI pipecat-ai 1.12.0 已同步。

查看大图