GPT-Live-1.1 更新 ChatGPT 语音
新声音。更好的口音。减少“检查中...”提示。GPT-Live-1.1 为 ChatGPT、Codex 和 dots 中的语音带来这些更新，新增法语、德语、印地语、墨西哥西班牙语、韩语和日语的新声音。今日向所有用户推出。即将登陆 API。
#语音
OpenAIAI 评分3535
Artificial AnalysisAI 评分3737 Grok Voice 3.0语音榜第三
在我们的语音智能体竞技场中，人们进行盲测实时语音对话并选择他们偏好的模型，Grok Voice 3.0以1070的Elo分数位列第3，落后于Gemini 3.1 Flash Live Minimal（1100）和Gemini 3.8 Live（1088），领先于GPT-Live-1 (Sol, low)（1057）。它还
Artificial AnalysisAI 评分5555 Artificial Analysis评测显示Grok Voice 3.0登顶Speech to Speech Index
Artificial Analysis评测显示SpaceXAI的Grok Voice 3.0以86.9分位居Speech to Speech Index榜首。该模型作为Grok Voice 2.0的继任者，在保持延迟竞争力的同时取得了新的领先成绩。
Artificial AnalysisAI 评分2525 Drama 3 Preview语音鲁棒性领先
Pronunciation Robustness（发音鲁棒性）衡量文本转语音模型在四个类别中正确发音挑战性文本的能力，由人工评审员根据预先商定的可接受发音对每个音频片段进行评判。Drama 3 Preview 以 93.2% 的得分位居整体榜首。➤ 独立术语：Drama 3
Artificial AnalysisAI 评分3535 HeyGen Voice登顶TTS排行榜
HeyGen Voice 在 Artificial Analysis Controlled Voice TTS Arena Leaderboard 上占据第 #1 位置，领先于阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 和 ElevenLabs 的 Eleven v4 Turbo。HeyGen Voice 是 @HeyGen 推出的首个 Text to Speech 模型，在我们的 Controlled Voice Arena 中接受评估，其中
OpenRouter Announcements精选AI 评分6262 OpenRouter 上线 ElevenLabs 语音模型
OpenRouter 正式接入 ElevenLabs，提供 9 个文本转语音（TTS）模型和 2 个语音转文本（STT）模型。开发者可通过 OpenRouter API Key 直接调用 POST /api/v1/audio/speech 和 POST /api/v1/audio/transcriptions 接口，无需单独订阅 ElevenLabs 服务。
推荐理由：OpenRouter 集成 ElevenLabs 语音模型，提供统一 API 入口和限时折扣，简化了多模态应用的开发流程。
DeepLearning.AI精选AI 评分7272 DeepLearning.AI 解析端到端语音模型如何替代传统语音处理链路
DeepLearning.AI 发布内容解析端到端语音模型的技术原理，指出其通过单一模型直接处理音频输入输出，取代了传统的 ASR、LLM 和 TTS 串联架构。该方式减少了延迟并保留了语调与情感细节，代表了语音交互从模块化向一体化演进的趋势。
推荐理由：原文对比了传统语音处理链路与端到端模型的差异，帮助读者理解新一代语音交互的技术演进路径。
Hugging Face BlogAI 评分4242 Hugging Face 发布 Falcon ASR：1.6B 参数阿拉伯语语音识别模型
Hugging Face 推出 Falcon-ASR，一款由 TII 开发的 1.6B 参数阿拉伯语语音识别模型。该模型在六组阿拉伯语测试集上平均词错误率为 20.92%，优于此前最佳公开结果 23.17%。它支持英语、法语等五种语言及单词级时间戳，可在 Hugging Face Demo 中试用。
Sierra BlogAI 评分4242 Sierra 发布 Agent OS 新模型 Curie、Fleming 及 Persona Studio
Sierra 在 Summit 2026 上推出 Agent OS 的新模型 Curie 和 Fleming，分别用于对话编排与识别代理来电。同时发布 Persona Studio 以自定义语音人格，并联合 Meta 等伙伴制定 Personal Agent Protocol 开放标准。
AWS Machine Learning BlogAI 评分3333 基于 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾服务
该方案利用 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 及 Managed Knowledge Base，为航空应用添加实时语音交互层。通过 Strands Agents 框架与 MCP 协议连接后端，实现座位变更、行程查询等自然语言操作。架构采用微 VM 隔离与按需扩展，支持用户无缝切换触控与语音会话。
Hugging Face BlogAI 评分5555 Hugging Face 发布 Open TTS Leaderboard 多语言文本转语音评测榜
Hugging Face 发布 Open TTS Leaderboard，使用 WER、CER、RTFx、TTFA 和说话人相似度等客观指标评估开源多语言文本转语音模型。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 推出两款新文本转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。前者支持通过自然语言提示从零创建自定义角色声音并逐行控制表演细节，后者针对高音量、低成本场景优化。这些模型现已在 Google AI Studio、Gemini API 等平台开放使用，并在 Hume AI 基准测试中取得领先成绩。
推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了自定义角色声音和逐行导演对话的能力，适合评估其在多模态交互中的潜力。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款最新实时对话模型，旨在提升语音智能体的推理能力与交互流畅度。
推荐理由：原文给出了两款新实时对话模型在智能体任务完成率和多语言切换上的具体基准数据，以及面向开发者与企业的分阶段开放入口。
OpenRouter AnnouncementsAI 评分5555 OpenRouter 文本转语音 API 5分钟教程
OpenRouter 发布文本转语音（TTS）API 教程，支持通过 POST /api/v1/audio/speech 端点调用 Mistral、xAI 和 Microsoft 等多家提供商的模型。该接口兼容 OpenAI SDK，只需修改 base_url 即可使用同一请求结构生成音频，并详细说明了响应验证、流式传输及生产环境中的重试策略。
Sierra BlogAI 评分3535 企业级 AI 语音智能体指南：从技术原理到端到端评估标准
AI 语音智能体通过整合语音处理与对话智能，利用客户上下文和业务系统实时完成工作。其生产就绪性取决于延迟、轮次管理、行动执行及护栏等全链路能力，而非仅合成音质。Sierra 提出以“首次音频响应时间”为关键指标，强调需在噪声、中断及集成失败等真实场景中进行端到端测试。
Google Developers Blog精选AI 评分6262 Google ADK 新增原生语音智能体评估功能
Google ADK 引入原生实时语音评估能力，支持通过模拟用户音频驱动智能体并评分。该功能允许在同一评估循环中处理语音交互，提供从创建智能体、编写评估用例到运行和检查结果的完整流程示例。开发者可利用自然语言评分标准对多轮对话轨迹进行端到端质量判断，并通过 ADK Web 界面查看包含可播放音频片段的转录结果。
推荐理由：提供了在 ADK 中构建语音智能体评估闭环的具体代码与配置，帮助开发者将演示转化为可量化的生产级测试。
Sierra BlogAI 评分4040 Sierra 推出 Voice Personas，实现 AI 智能体品牌化语音与个性定制
Sierra 发布 Voice Personas，允许开发者为 AI 智能体定义包含语气、性格及语言感知行为的独特品牌人格。该功能基于 Sierra Agent SDK，支持动态调整语速、处理打断及实时切换语种，并集成模拟测试基础设施。数据显示，搭配自然语音与特定 Persona 可使问题解决率提升近 50%。
Andrej KarpathyAI 评分3838 Karpathy 谈 LLM 语音闲聊模式
我发现一种与 LLM 协作的有用模式：进行长时间的随意闲聊。有时 LLM 需要更多比特来理解你的目标，但你懒得打字。这种情况下，我喜欢向后靠，切换到 /voice 并随意聊上大约 10
Together AI BlogAI 评分4242 Together AI 如何构建全球最快的语音转文本技术栈
Together AI 通过优化 NVIDIA Parakeet-TDT 0.6B v3 和 OpenAI Whisper Large v3，实现了极低的语音转文本延迟。其核心改进包括使用 TensorRT 多配置文件加速编码器、利用条件 CUDA graph 将解码器分支移至 GPU 实现 2-3 倍提速，以及消除 CPU 冗余数据拷贝。