语音与音频

Edge0 发布 Audio8-TTS-Realistic，一款 0.6B 参数、Apache 2.0 许可的零样本语音克隆 TTS 模型，支持 23 种语言，并在训练末端加入由学习型真实感评审驱动的 GRPO 阶段。

Wispr 把会议纪要加进听写工具后，Granola 选择反向操作，为会议记录产品补上听写功能。两家公司的功能边界正在消失，语音 AI 的竞争从单点能力转向工作流入口。

Deepgram 宣布收购 Pipecat 背后的公司 Daily，并承诺保持 Pipecat 开源。这笔交易的关键不在模型本身，而在于语音 AI 的实时编排与基础设施控制权。

Block 的 AI 实验室发布全双工语音到语音模型 Dessa，仅用人类对话音频训练，可在 MacBook Pro M4 Max 上本地运行，但未公布模型规模、基准成绩与权重。

AssemblyAI 发布其首个文本转语音模型 AssemblyAI-TTS-1，定价每百万字符 15 美元，支持无限并发且无需签约，首发覆盖 6 种语言，明确面向语音智能体场景。

英伟达发布开源权重语音大模型 Nemotron 3.5 Transcribe，采用 30B 级 MoE 架构、约 4.3B 激活参数，支持 40 种语言转写，并原生输出说话人标签与词级时间戳，英语 Open ASR 榜单平均 WER 为 4.71%。

Hugging Face 上出现面向苹果平台的开源语音识别与决策模型，试图把端侧推理能力从单一任务扩展到语音转写与决策两类基础能力。

英伟达发布开源语音模型 Nemotron 3.5 Transcribe，以文本提示统一驱动转写、说话人识别与翻译，在多项基准上领先，且激活参数仅为最强开源对手的约六分之一，同时开放超 80 万小时语音数据集与微调工具。

英伟达发布免费语音转文字模型，覆盖约40种语言，但仅支持录音文件而非实时音频，指向会议与医疗转写等离线场景。

英伟达在 Hugging Face 上推出 Nemotron 3.5 Transcribe 语音转写模型与 Granary v2 配套方案，主打可提示、可适配的多语言转写能力，把 ASR 从固定输出推向可定制的模型工作流。

Retell基于OpenAI模型支撑每月1亿通语音通话，GPT-6 Astra在其语音Agent基准测试中登顶，Codex则帮助团队把人均年营收推到160万美元量级。

WIRED报道了一档名为Coyotec的双语AI电台节目：它会爆粗口、教听众如何应对ICE，并在广播行业纷纷试水AI人格的当下走红。这背后是AI语音人格从工具走向“有立场的陪伴者”的信号。