ChatGPT 上线 Live Dictation 边说边转写功能
ChatGPT 新增 Live Dictation 功能,可在用户说话时实时转写,不再等录音结束,已在网页版、桌面端及 iOS、Android 应用面向所有 ChatGPT 套餐全球推送。用户可点击音频波形查看实时生成的文字,并在提示框中编辑;OpenAI 同时取消了语音听写的 10 分钟录音上限,并表示该功能正变得“更可靠”。
ChatGPT 新增 Live Dictation 功能,可在用户说话时实时转写,不再等录音结束,已在网页版、桌面端及 iOS、Android 应用面向所有 ChatGPT 套餐全球推送。用户可点击音频波形查看实时生成的文字,并在提示框中编辑;OpenAI 同时取消了语音听写的 10 分钟录音上限,并表示该功能正变得“更可靠”。
Apple Watch Ultra 4 上的 Siri Recap 测试版可环境收音并用 AI 生成对话摘要,音频在 2026 款 Apple Watch 的 S11 芯片安全隔区内处理后立即删除,大部分处理在本地完成,云端部分走 Private Cloud Compute。
Stretto 基于 Amazon Bedrock 上的语音到语音模型 Amazon Nova 2 Sonic 构建了 AI 语音智能体 Tara,通过电话完成破产申请的多阶段信息采集,并按律师设定的规则将线索分为合格、不合格或需补充信息。
微软在 Ignite 上一口气发布七款 MAI 自研模型,覆盖代码、安全、图像、语音、路由与检索,主打性价比。微软称 MAI Code 2 在四项基准上平均达到 GPT-6.1 Sol 性能的 98%,成本为其 40%;对比 Claude Opus 5.5 则达到 96% 的性能、5% 的成本。
推荐理由:微软一次发布七款自研模型,并给出与 OpenAI、Anthropic 同档模型的性能与价格对照,可据此判断企业智能体的成本结构。
“华尔街之狼”Jordan Belfort 创办的 AI 语音平台 Tone 推出自助服务,内容创作者和作者可将书籍转为“富有表现力的 AI 生成旁白”,并可选平台音色或克隆自己的声音。Tone 称其语音通过语调技巧促成交易,已用于律所、健康险等销售场景,延迟约 600 毫秒。联合创始人还包括投资人 Shervin Pishevar。
AssemblyAI 在 AWS 上以 Amazon ECS 搭配 EC2 Spot 与 On-Demand 混合的容量提供者运行语音转文字推理,单 GPU 跑一个模型、规模达数千实例。
Meta 的 AI 智能体 Muse 现已能为美国付费订阅用户代打商家电话,该功能在 9 月测试后向全美付费用户开放。Meta AI 负责人 Alexandr Wang 称 Muse 用户已超过 1000 万,可处理打给有线电视公司、DMV 和餐厅的繁琐电话,并将很快获得免费邮箱地址。许多商家一旦识别出 AI 来电就会挂断,Meta 因此在 9 月临时测试了人工接线员。
ElevenLabs 本周在纽约 11/11 Summit 上发布实验性应用 ElevenAI,把会议记录、听写和智能体集成合为一体,目前仍处于预览阶段,需申请早期访问。
The Verge 高级智能家居评测员 Jen Tuohy 用一周时间测试了 Apple 首款智能显示屏 HomeView,售价 $299,涵盖桌面版与壁挂版。她在厨房、床头、办公室、茶几和玄关等场景中测试了烹饪、智能家居控制、通话以及新的 Siri AI 能力。Verge 订阅者可在评论区提问,她将于美国东部时间今天下午 2 点开始回答。
ElevenLabs 发布两款语音转文字模型 Scribe v3 和 Scribe v3 Live,前者面向录音文件,后者面向低延迟实时应用,均已通过 ElevenAPI 和 ElevenAgents 平台开放。
Amazon SageMaker AI 双向流式推理新增按用量计费,模型提供商可向 AWS Marketplace 上报实时流中的实际用量。Deepgram 作为首发合作伙伴,将按用量计费的语音转文字(STT)和文字转语音(TTS)账单带入 AWS Marketplace。该能力通过一条伴随 WebSocket 元数据连接上报计量记录,SageMaker AI 端点基础设施费用仍单独收取。
Adobe 在年度 Max 大会上公布多项 AI 实验项目,包括把任意平面图片转为可漫游、可重新取景的 3D 场景的 Project Sight Span,以及通过对话塑造角色性格并生成试镜视频的 Project Screen Test。
DeepL Voice 推出新模型 Aure,可将原说话人的语气、情绪、强调和语速带入目标语言。此前 DeepL Voice 基于对话开始时采集的静态语音样本生成翻译语音,无法捕捉情绪变化或讽刺。
OpenAI 开发者体验工程师 Dominik Kundel 和 Charlie Guo 在 AI Engineer Code Summit 的 workshop 上分享了 Codex 的新工作方式。
Spotify 为 AI DJ 新增可选的多种语音与个性,Premium 用户可在英语和西班牙语共九个新声音间切换,并能关闭歌曲之间的解说。该功能已覆盖超 95 个市场,AI DJ 目前有超 9400 万 Premium 用户使用。新语音于 11 月 10 日起向已支持市场的 Premium 用户推送。
Otter.ai 宣布扩展多语言能力,新增可在同一场会议中跟随说话人语言切换的多语言转写功能,并新增 27 种语言支持,全部上线后共支持 31 种语言。其中 13 种语言已可用,包括中文普通话、粤语、韩语、德语、意大利语等,其余 14 种即将推出。新语言基于 Otter 自研语音模型,使用公开数据集训练并由母语志愿者校对转写准确率。
Hugging Face 的 Open ASR Leaderboard 与 Liva AI 合作,新增埃及和尼日利亚两种英语口音的私有评测数据,时长分别为 1.34 小时和 1.55 小时,均为带标点、大小写和不流畅标记的对话式自发语音。榜单私有标签页现按 Kachru 三圈模型细分口音,区分美国与非美国、内圈与外圈及扩展圈。
Underdog 发布仅 32MB 的语音生成模型 Woof,参数量 31 million,开放所有人下载,并配套推出一个可在浏览器中运行的游戏演示。该游戏包含打字机朗读输入内容和旋钮生成音乐等交互,公司称模型可在多数设备上离线运行。此前 Underdog 还发布了 167MB 的端侧语音转文字模型 Bark,以及一个可在笔记本上运行的 27-billion-parameter 模型。
Meta 宣布 Muse Voice 功能已向全美用户开放,用户可通过手机、网页和 Mac 与 AI 智能体 Muse 进行语音通话和视频聊天。该功能由 Muse Realtime Avatar 和 Muse Realtime Voice 技术驱动,虚拟形象默认是名为 Jolly 的动画角色,用户可自定义外观,对话时形象会配合语气做出细微表情和手势。
Meta 为 Muse AI 智能体上线实时语音对话和会随说话内容动起来的“表情”头像,CEO Mark Zuckerberg 宣布该功能已在美国的 App 中推送。
gradium 团队发布端侧文本转语音模型 Phonon,两个版本约 65 MB 和 75 MB,覆盖英语、法语、德语、西班牙语和葡萄牙语,无需服务器和网络即可运行。
推荐理由:原文交代了 Phonon 的端侧运行方式、开源许可和榜单表现,读者可据此判断小模型语音合成的可用边界。
SoundCloud 与 ElevenLabs 达成合作,用户可将 ElevenLabs 生成的音乐直接发布到 SoundCloud,无需先导出下载再上传。SoundCloud Artist Pro 订阅者还可免费获得三个月 ElevenMusic Pro。从 ElevenLabs 直接发布到 SoundCloud 的歌曲会标注 AI 来源。
Verge 编辑佩戴 Amazon Bee Frontier 进行心理治疗录音三周后,其心理医生要求她把这台设备扔出窗外。这款持续录音的 AI 可穿戴设备会转录并总结对话,但常把玩笑误记为事实,例如凭空生成六只猫的名字,还把童年创伤事件以"Reclaiming Reality from Manipulative Power"为标题做成摘要,让她不得不右滑确认为真。
作者在 Apple Watch 上试用 iOS 27.3 与 watchOS 27.3 开发者测试版新增的 Siri Recaps,发现它能自动记下修车时口头告知的自付额、维修周期和租车油量等关键信息。
苹果在 watchOS 27.3 开发者测试版中为 Apple Watch 加入 Audio Intelligence 功能,Siri 可调用手表麦克风。新增的 Siri Recap 通过环境监听生成对话摘要,Live Rewind 则生成过去 15 秒音频的文字记录,双击 Digital Crown 即可查看。
Cartesia 基于自研 State Space Model(SSM)架构的 Sonic 文本转语音与 Ink 语音转文字模型,在 AWS 上实现低于 100ms 的首字节延迟。Sonic 首音频字节约 90ms,支持 44 种以上语言、10 秒音频样本克隆音色;Ink 原生支持对话轮次检测与流式转写。两者面向实时语音智能体,可在 AWS 上部署以满足数据主权与合规需求。
Apple Watch 的 Audio Intelligence 功能开始面向开发者进行 Beta 测试,随 iOS 27.3 更新推出,包含声音识别、歌曲识别、Live Rewind 和 Siri Recaps 四项可选功能。
NVIDIA 员工用 Nemotron Voice Agent 搭建了万圣节互动装置 MonsterHouse,让车库门以暴躁老海盗船的嗓音与讨糖孩子对话。
Rivian 将其 AI 语音助手技术的部分组件授权给大众集团,纳入双方 58 亿美元合资公司范围。该助手已于 2026 年 9 月上线 Rivian R1S、R1T 和 R2,大众首款采用合资软件与电子架构的车型预计是低价电动车 ID EVERY1。Rivian 未披露授权费用与具体适配车型。
IBM 发布 Granite Switch 4.1.1 补丁版本,与 4.1 完全向后兼容、无需迁移。此次更新包含支持 10 种语言、带原生标点与大小写的 Granite Speech ASR 模型,以及 granitelib-core 中在 Jev Decision Index 测试集上性能提升的 Decision adapter。
以会议记录工具起家的 Granola 上线听写功能,用户按 Fn 键即可在 Mac 任意应用中语音输入,工具会自动清理并格式化文本,且不限字数、免费使用。该功能将陆续登陆 iOS 和 Windows。此前 Wispr 已从听写工具扩展至会议记录,Fireflies、Speechify、Monologue 等语音应用也在走向多功能融合。
Amazon 在假日季前为 Alexa 新增 100 多项购物相关能力,支持创建和编辑购物清单、管理订阅周期、修改配送地址与投递说明,并可解答 Prime 与 Audible 订阅及账单支付问题。Amazon 称今年年初以来使用智能体功能的用户数增长 8 倍,过去 12 个月已有超 4 亿消费者用 Alexa 购物。
Deepgram 宣布收购开源语音 AI 框架 Pipecat 的开发商 Daily,交易金额未披露,双方承诺 Pipecat 将保持开源和厂商中立。Daily 此前累计融资超过 6200 万美元,Deepgram 今年早些时候以 1.3 亿美元 C 轮融资成为独角兽。
作者发布 AnySpeechRecognizer 和 AnyDecisionModel 两个 Swift 包,可在 Apple 平台本地运行开源语音识别与决策模型。
英伟达发布免费开源权重模型 Nemotron 3.5 Transcribe,可转写最多 40 种语言的音频,并支持 31 种语言与英语互译。该模型参数量为 30B,可区分最多 8 位说话人、处理最长 1 小时的录音,官方称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe,把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注,可处理最长 1 小时录音并标注最多 8 位说话人。
推荐理由:原文给出多语言转写、说话人分离与翻译的统一模型,并附开放数据管线和微调配方,可据此判断落地方式。
NVIDIA RTX Spark 轻薄笔记本已在 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 开售,起售价 $2,599,搭载 Blackwell RTX GPU 与 Grace CPU 超级芯片,最高 128GB 统一内存和 1 petaflop FP4 AI 性能。
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe,可用文本指令在单一模型中完成转写、翻译和说话人识别,并支持就录音内容提问。该模型支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,可处理最长 1 小时、最多 8 名说话人的录音;模型总参数 30B、每步约 4B 激活,可在单张 Nvidia GPU 上运行。
推荐理由:读者可了解这款开源语音模型在转写、翻译与说话人识别上的能力边界,以及配套数据集和微调流程。
Retell 使用 OpenAI 模型支撑每月 1 亿次通话,GPT-6 Astra 在其语音智能体基准测试中排名第一。Codex 还帮助 Retell 实现每位员工 160 万美元的年化营收。
Google DeepMind 发布世界模型 Genie 4,可实时生成带原生音频的可交互模拟世界,支持用自然语言实时修改天气、镜头和人物。Genie 4 首次在实时世界模型中原生生成音频,包括环境音与可随输入变化的角色对话,并借助 Gemini 模型维持模拟的连贯性。
推荐理由:读者可了解 Genie 4 在实时世界模拟中加入原生音频与人物交互的能力边界,以及它与 Gemini 模型协同完成多步任务的方式。