xAI 於 10 月 14 日將 grok-voice-latest 改指向 Grok Voice 3.0,文章建議固定語音智能體的模型版本
xAI 於 10 月 14 日推出 Grok Voice 3.0,並把 grok-voice-latest 改為指向該模型,使用別名的語音智能體因此自動切換,API 則維持不變。
xAI 於 10 月 14 日推出 Grok Voice 3.0,並把 grok-voice-latest 改為指向該模型,使用別名的語音智能體因此自動切換,API 則維持不變。
AI 語音模型的訓練流程涵蓋語音資料收集與預處理、模型架構、訓練及推理,將文字轉成語音波形。常見 TTS 系統以配對的語音錄音和文字訓練,用 Mel-spectrogram 表示聲學特徵,再由 vocoder 轉成波形;ElevenLabs 提供託管 API 和聲音複製功能。
FS03 以 Kokoro-82M、WebGPU 和 WebAssembly 構建 PureTTS(https://puretts.com),讓 AI 文字轉語音在瀏覽器本機執行;作者稱工具免費且沒有字數限制。
SpaceXAI 發佈 Grok Voice 3.0,官方稱其為全球智能水平最高的語音轉語音模型,延遲低於 1 秒且運行成本低於其他前沿模型。Artificial Analysis 的獨立測試中,該模型在語音轉語音綜合榜排名第一,得分 86.9;全雙工基準得分為 97%,τ-Voice 得分為 71.6%,延遲較 GPT-Live-1(Astra)低 40%。
SpaceXAI於2026年10月15日發佈Grok Voice 3.0語音轉語音模型,在客服通話任務中的延遲低於1秒。模型綜合表現位列Artificial Analysis榜單首位,得分86.9;全雙工互動達97%,τ-Voice抗噪與插話能力為71.6%。模型已透過API上線,定價維持每分鐘0.08美元;每日支援特斯拉車載對話及星鏈客服超過百萬次通話,70%來電可全自動處理。
Fish Audio 本週發佈 Drama 3,一款 35B 開放權重 MoE 文字轉語音模型,每個 token 約啟用 3B 參數。模型接受自然語言表演指示,支援 83 種語言,並可在單次請求中處理最多 16 名角色。
SpaceXSI 發佈語音對語音模型 Grok Voice 3.0,在 Artificial Analysis 的 Speech-to-Speech Index 得分 86.9,高於 GPT-Live-1 的 83.2 和 Gemini 3.8 Live 的 82.6。
Amp 正藉助 OpenAI 模型拓展 AI 智能體的工作範圍,從規劃產品、撰寫程式碼和設計頁面,延伸至編寫文件及市場推廣。Amp 推出 Sign in with ChatGPT 整合,讓用戶使用更多 token 和 OpenAI 模型,包括 GPT‑6 Astra;團隊亦正測試 GPT‑6 Astra 的 Ultrafast 模式,並以 GPT‑Live‑1 支援即時語音對話。
CoSTA 透過解耦語音對話模型的生成與合成 token 空間,在保留原有語音 tokenizer 和 decoder 的同時,提升生成效率。雙語語音對話基準測試顯示,CoSTA 的擴展語音 token 生成速度約提升 1.7 倍,完整回應延遲更低、吞吐量更高,並維持回應質素。
SpaceXSI 推出 Grok Voice 3.0,稱其在 Artificial Analysis 的語音轉語音指數中排名最高,回應時間少於一秒。SpaceXSI 表示,Grok Voice 3.0 收費為 $0.08/min,低於競爭對手。
Descript 的指南介紹如何在錄音前控制環境噪音,並在後期用 Studio Sound 一鍵減少背景噪音、混響及其他不需要的聲音。Studio Sound 以機器學習模型處理並重新合成音訊,亦可保留原音供比較。文章建議在安靜、少硬質反射面的空間錄音,選用指向性麥克風、靠近麥克風收音並降低增益。
xAI 於 2026 年 10 月 14 日發佈 Grok Voice 3.0,並在 Voice Agent API 提供,收費每分鐘 $0.08,與 Grok Voice 2.0 相同。
Square 推出 Square Kiosk 旗艦自助點餐機,以 Agentic AI 對話語音層理解餐廳菜單,並讓顧客在語音與觸控點餐之間切換。裝置售價為 $1,999,另收每部每月 $99 軟件費;購買亦須訂閲 Square Plus 或 Square Premium。產品目前只在美國供應,僅支援英文。
Square 推出 Square Kiosk 點餐自助機,讓顧客透過 AI 語音對話查詢菜單、要求修改或替換餐點並下單。設備配備 21.5 吋觸控屏幕及感應到場功能,付款可使用非接觸式讀卡器或插卡槽。Square Plus 或 Premium 訂閲商戶即日起可用 $1,999 購買,每部設備另收每月 $99 軟件費。
研究提出輕量方法,利用預訓練語音編碼器的語言選擇性隱藏狀態維度,直接從語音檢測語碼轉換。在 CS-FLEURS 的 14 組語言配對上,Whisper-small 編碼器平均 F1 為 0.798,高於 CNN(0.776)及以單語言語言識別訓練的 HuBERT 線性基線(0.751)。
蘋果推送 iOS 27.2 Beta 4 開發者預覽版,為 Siri AI 新增五種語言支援。更新後,Siri AI 支援英語、法語、日語、韓語、葡萄牙語和西班牙語,共六種語言。實際可用性仍取決於用戶所在地區和裝置。
Ming-3.0-asr-tiny 結合 Ling-tiny-v3 語言骨幹與音訊編碼器,可轉錄中文、英文及方言語音,並支援以熱詞或對話上下文改善專業詞彙辨識。模型在 15 個地區方言測試集(包括粵語、閩南語及上海話)、雜音語音及五個應用領域接受評估。模型權重及原始項目程式碼以 MIT License 發佈,並提供 Transformers 推理範例。
大眼橙聯合釘釘發布可彎折 AI 聽記眼鏡 Q1,定價 1,299 元起,最輕 28g。眼鏡採用單邊三麥陣列,有效拾音距離達 8 米,並提供 80 小時佩戴待機及 11.5 小時連續聽歌續航。用戶可透過釘釘、千問辦公或 QwenNote 綁定設備,產品將於 10 月 31 日現貨發售。
Fish Audio Drama 3 技術報告介紹一款開源語音生成模型,採用 35B 參數 MoE 骨幹,每個 token 啟用 3B 參數。Drama 3 新增多輪修訂、場景配音、以 infilling 編輯既有語音及串流文字輸入等能力。
Bose 推出 Bose 開放式運動耳機和 Bose Ultra 開放式耳機 II,兩款產品即日起在 Bose 官方渠道發售,售價分別為 1,599 元和 2,299 元。兩款耳機均採用 Bose OpenAudio 開放式音頻技術,並支援藍牙 5.4、多點連接及無線充電。運動耳機單次充電可播放長達 7 小時,Ultra 開放式耳機 II 可播放 9 小時,開啟沉浸空間音頻模式約 5 小時。
AI 語音合成與聲音複製正改變 Podcast 製作,讓開發者可生成旁白、多語言音訊及互動節目。文章以 ElevenLabs 示範 Python TTS 及聲音複製流程;複製聲音需提供目標説話者的音訊樣本,並可重用 voice ID。文中亦示範以 TTS 製作 5 種語言版本,並將音訊生成接入 CI/CD 流程。
作者為 Hacktoberfest 2026 開發開源 Flutter 應用程式,以本機 Gemma 語音助理摘要及免提管理通知。Gemma 會分類及摘要通知,並按語音指令執行本機資料庫 CRUD;需要即時資訊時,應用程式會透過 MCP 呼叫免費層級 Gemini API 搜尋網頁並朗讀答案。
CNET 評測 Meta Ray-Ban Audio 無相機智能眼鏡,認為它佩戴較輕、音訊續航較長,但定價偏高,仍受限於 Meta AI 生態。Clubmaster 和 Burbank 售價為 $349 至 $429;作者所試的 Clubmaster 重 43 至 47 grams,連續播放音訊約 6 hours。
Apple 發佈 HomePod mini 2,售價 $149,加入與 Apple TV 4K、Mac 的新整合,並將透過上市後更新加入 Siri AI。Siri AI 初期只支援英文,適用地區包括美國、澳洲、加拿大、印度、新西蘭、新加坡、南非及英國;產品即日起接受預購,並於 October 30 在美國及另外 23 個市場開始出貨。
Apple 將於 11 月 13 日推出第四代 Apple TV 4K,加入內置咪高峯及 Siri AI 支援,美國售價 $299,較上一代貴 $50。Siri AI 亦會以 beta 提供予第二、三代 Apple TV 4K;新機的遠場咪高峯支援免提操作,但 Siri AI 初期只在美國、澳洲、加拿大、印度、新西蘭、新加坡、南非及英國提供英文服務。
Apple 發佈 HomePod Mini 2,配備 S10 晶片,並預告日後更新將加入 Siri AI 功能。新款售價 $149 起,提供五種新顏色,於 10 月 30 日在店舖發售;S10 晶片可即時分析音樂並作優化。Apple 表示,Siri AI 可根據 iPhone 使用情境個人化回應,例如按過往訊息播放歌曲,或從電郵中的食譜整理購物清單;相關功能的價格尚未公佈。
Apple 在「Welcome Home」活動公佈 HomeView、HomePod Mini 2、Apple TV 4K 及 Home Collection 等產品,拓展家居管理、安全與娛樂產品線。
Apple 推出 Apple TV 4K(第 4 代),售價 $299,將於 Nov. 13 在門市發售。新機配備 A19 晶片,Apple 表示速度比 A15 快 50%,圖像處理效能達兩倍,並內置三個遠場咪高峯以配合 Siri。新機現已在 Apple 網站接受預購。
Apple 推出 HomePod mini 2 智能喇叭,定價 1099 元,將於 10 月 30 日發售。產品提供白色、粉紅色、藍色、綠色及午夜色五種配色,支援立體聲組合、聲音識別和温濕度感測,無線連接升級至 Wi-Fi 6E;海外市場支援 Siri AI 功能。
Vapi 發表評估客戶服務 AI 語音智能體的指南,提出七項標準,涵蓋問題解決、即時語音品質、系統操作、升級交接、模型彈性、生命週期管理及平台控制。指南建議使用 50 至 100 個真實通話樣本,以相同通話集比較不同供應商。Vapi 將自身定位為開放平台,讓團隊掌握工作流程與模型選擇。
Lovable 推出 Perplexity、ElevenLabs、Firecrawl 和 Miro 連接器,讓應用程式加入網絡研究、語音、即時網頁資料及畫板轉原型能力。
AI 語音智能體透過接聽時序、問候長度及停頓等訊號,判斷外撥電話由真人接聽還是進入語音信箱,並須在約三至五秒內完成判斷。2026 年 arXiv 預印本指出,單靠時序特徵已可媲美蜂鳴聲及關鍵詞方法,並避免額外延遲。Vapi 支援選擇偵測服務供應商、調整時序,並在人類接聽後切回對話。
Vapi 編輯團隊評選並排序 10 款適用於臨牀場景的開源語音轉文字模型,按即時準確度、臨牀術語處理、運作可靠性及數據安全作評估。醫療機構應按語言需求、環境噪音、技術資源和維護能力選擇模型;這些方案可透過自訂配置整合至 Vapi 語音 AI 平台。
Narakeet 可將文字稿轉成自然流暢的語音旁白,毋須錄音設備,並提供 600+ 種聲音供用戶調整語速和音高。平台支援 PowerPoint、Google Slides 和 Markdown,可將旁白與畫面同步,並生成字幕及隱藏式字幕。方案月費約 $5 起;專業配音員每小時收費 $100-$500,另加錄音室及剪輯費用。
Vapi 比較 5 個 Character AI 替代平台,涵蓋語音 AI、聊天及故事創作等用途。Vapi 提供面向開發者和企業的 API 原生語音 AI 平台,支援 100+ 種語言,並連接 40+ 個應用程式。
Nathalie Criou 數月前加入 Vapi,出任產品副總裁;她曾任職 Google、VMware、Amazon、Twilio 和 Docker,並創辦 RidePal。她認為語音 AI 是少數已展現可重複投資回報的 AI 應用之一;客戶 Kavak 在六個月內重整全公司,改以語音作為主要渠道。Vapi 的產品挑戰是拓展至非技術用戶,同時不削弱平台對技術用戶的能力。
Vapi 為 OpenAI 的 GPT-Live 全雙工語音對語音模型開放有限度測試,並同步啟用公開候補名單。GPT-Live 將語音轉文字、LLM 推理及語音生成整合於單一模型,支援自然停頓、處理對話打斷,並可在交談期間執行複雜工具呼叫。登記候補名單不保證獲得早期使用資格,Vapi 計劃未來數月逐步擴大供應。
Gradium TTS 在完整文字生成前便開始串流語音,首段音訊輸出時間快於人類語音回應時間。Coval 基準截至 May 4, 2026 的數據顯示,其中位 TTFA 為 155 ms,四分位距為 2 ms;小批次啟用 CUDA Graphs 後,中位 TTFA 降低超過 2.5x。
Apple 於 2026年10月13日發佈第4代 Apple TV 4K,加入 Siri AI、A19 晶片及內置遠場麥克風,售價 $299(美國)。Siri AI 以 beta 形式於 tvOS 27.2 提供,適用於 Apple TV 4K(第2代或之後),先在美國、澳洲、加拿大、印度、新西蘭、新加坡、南非及英國以英文推出。預訂於發佈當日開始,門市於 2026年11月13日開售。
Apple 宣佈 HomePod mini 2,配備 Siri AI、新配色及改良音效體驗。Siri AI 將於未來軟件更新推出,可理解個人情境,並憑藉廣泛世界知識支援更豐富的音樂探索。HomePod mini 2 售價為 $149(美國),美國及另外 23 個以上國家和地區今日起接受預訂,10月30日起在店舖發售。