AI 编程实时动态与要闻

语音 AI 公司 Hume 11 月 2 日发布 Audio Decision API，号称首个「音频原生」的问答式决策模型：开发者上传原始音频，用一句话写问题并给出候选答案，接口返回每个答案的概率，不经过转写。支持是/否、多选、打分和时间片段四类问题，可判断说话人数、是否有人笑、来电者是否不耐烦、背景是否有警笛等。官方口径：训练用了 1000 万以上条人类判断，初步评测与人类评审平均判断的一致率为 70.7%（单个评审基线 56.5%）。目前需申请或加入候补名单获取访问权限。

查看大图

开源编码智能体 OpenCode 背后的 Anomaly 发布语音输入工具 Hex 3.0 稳定版：按住快捷键说话、松开即粘贴到光标处，语音识别在本机完成，内存占用从约 900MB 降到约 160MB，并新增词汇表、hex 命令行和可选的 OpenCode 改写。

查看大图

语音模型公司 Cartesia 于 10 月 29 日发布 Managed Agents，一个面向企业电话场景的端到端语音 agent 平台，把自家语音识别、语音合成模型与 agent 框架一起设计调优，并自带电话接入、知识库、工具调用和批量外呼。官方称它在 Artificial Analysis 的 Speech Agent Arena 中以 1115 Elo 排第 1，在 ServiceNow 的 EVA-Bench 上拿到 87.4% 准确率和 90.7% 体验分（均为厂商口径，推理模型为 GPT-5.5）；上线期价格打五折，为每分钟 0.03 美元。

查看大图

OpenAI 10 月 28 日通过 @ChatGPT 宣布，用户现在可以给自己的 dot（ChatGPT 里常驻的智能体）发短信：用文字、照片或语音备忘布置任务或让它盯事，dot 有相关进展会主动发短信回来。功能走 iMessage 或 RCS，不支持普通 SMS；只有本人能给 dot 发，dot 也只发给本人。目前以 beta 形式向美国部分 Pro 用户推出，Business 和 Enterprise 工作区不支持。短信经第三方服务商 Linq 转发，官方说明这段对话不是端到端加密。

查看大图

Apple 10 月 26 日发布 iOS、iPadOS、macOS、watchOS 和 visionOS 27.2，基于 Apple Intelligence 重做的 Siri AI（Beta）在英语之外新增法语、日语、韩语、葡萄牙语和西班牙语。官方称繁体中文、挪威语、土耳其语和越南语将在年底前上线。按 iOS 27.2 发布说明，Siri AI 现在可以回忆过去的对话，并能从信息里的照片、日历参与者、语音留言等更多来源取材。Siri AI 仍不在欧盟（iOS、iPadOS、watchOS）和中国大陆提供，依赖服务器端模型的功能有每日用量上限，Apple 称未来将推出付费的扩展额度。

查看大图

腾讯混元（Tencent Hy）10 月 26 日开源实时同声传译模型 Hy-SimulMT，支持中英双向语音到语音翻译，边听边译，同时输出译文文本和语音，并可实时克隆说话人音色。Hugging Face 上一次放出 6 个权重（30B-A3B 的纯译文版与带原文的 Interleave 版，各含 BF16、FP8、GGUF），模型卡标注 Apache-2.0；GitHub 同步提供 SimulInfer 推理服务与 SimulTrain 训练工具。官方口径：RealSI 长音频评测 StreamLAAL 约 3 秒，为对比系统最低。

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，UCSD Hao AI Lab 的 FastVideo 团队开源 FastH3 Omni，这是 MiniMax H3 参考生成音视频（Ref2VA）模型的蒸馏版，可同时用文本、最多 9 张图、视频片段和人声参考生成带同步立体声的视频。采样从 50 步降到 8 次 transformer 计算，官方在 8 张 GB200 上测得端到端延迟降低 5.6–11.9 倍，训练代码一并开源，并提供面向 DGX Spark、RTX 5090 的 NVFP4 权重和 ComfyUI 支持。

查看大图

10 月 20 日，法国语音 AI 公司 Gradium 开源 Phonon 端侧文本转语音模型家族：英文 Phonon 31m（q8 权重 64 MB，Apache 2.0）和 Phonon 40m（英/法/德/西/葡单语版与五语合一版，CC BY-NC 非商用）。模型基于 Kyutai 的 Pocket TTS 和 Mimi 编解码器，自带推理栈，覆盖 CPU、Metal、CUDA、Vulkan、WebGPU、Core ML 和骁龙，可在手机、浏览器、树莓派上离线运行。官方称 MacBook Air M5 CPU 上首段音频 7 毫秒，Kokoro 为 517 毫秒。

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

10 月 20 日，Mistral 发布 Voxtral 3：语音转文字模型 Voxtral Small/Mini Transcribe 3、实时转写 Voxtral Mini Transcribe Realtime 3、语音合成 Voxtral Mini TTS 3（Voxtral Speech 3），以及基于 LiveKit 的语音 Agent SDK，把“听—思考调工具—说”串成一条流式管线，官方称每轮响应不到 1 秒。转写覆盖 50+ 语言并支持说话人分离和上下文偏置，TTS 覆盖 35+ 语言、50+ 方言，另有 30 分钟录音即可复刻音色的 Pro Voice。模型已通过 Mistral API（欧盟、美国、全球端点）上线，也可自部署。

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

蚂蚁 Ant Ling（inclusionAI）10 月 19 日以 MIT 协议开源 Ming-3.0 的 5 个模型，覆盖语音合成（tts-0.5B、tts-tiny 7.9B/1.3B 激活）、音频理解（audio-flash 126B/6.5B 激活、audio-tiny 9.3B/2.7B 激活）和语音识别（asr-tiny 8.6B/2B 激活）。官方称 tts-0.5B 在 Artificial Analysis Controlled Voice 榜以 1069 Elo 位列开源权重第一，发音稳健性 93.2% 并列全榜第一；asr-tiny 四类 ASR 平均错误率 4.41%。权重已上 Hugging Face 和 ModelScope，SGLang 与 vLLM 首日支持。

查看大图

OpenAI 于 10 月 16 日在官方更新日志宣布，prompt-to-voice 向所有 API 客户正式开放：开发者用一段文字描述口音、音高、音色和语速，即可通过 /v1/audio/voices 接口或 voice Playground 生成并保存自定义音色，在 GPT-Live 会话中复用。创建音色免费，语音生成按常规 GPT-Live 会话计费；每个组织最多保存 100 个。同时新增 9 个自然音色，覆盖德语、法语、印地语、日语和韩语。

查看大图