Recly：将 Galaxy Watch 或 Apple Watch 变为 Plaud 式 AI 录音笔
Recly 是一款免费开源应用，可将 Galaxy Watch 或 Apple Watch 变为 AI 录音笔，支持本地免费转录，并将笔记任务交给用户已有的 AI 智能体。
推荐理由：作者开源了将智能手表变为录音笔的方案，并详细说明了本地转录和与现有AI集成的技术路径。
#语音
Hacker News · AI精选AI 评分7070
MarkTechPostAI 评分5656 Microsoft AI 发布实时语音转录模型 MAI-Transcribe-2-Streaming
Microsoft AI 发布了其首款流式语音转文本模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的 AA-WER Streaming 基准测试中，以 2.5% 的词错误率和 0.13 秒的最终转录延迟在 38 个模型中排名第一。
Google · AI BlogAI 评分3535 Google 2026年9月AI动态汇总：Gemini 4 Argon、Connected Apps等
Google 在2026年9月发布了新一代前沿模型 Gemini 4 Argon，其具备高级推理能力，并拥有行业领先的100万token输出上限，专为应对网络安全防御等复杂挑战而设计。
SiliconANGLEAI 评分5252 微软发布首个流式转录模型 MAI-Transcribe-2-Streaming，瞄准超逼真语音智能体
微软为其 MAI 模型家族新增了首个流式转录模型 MAI-Transcribe-2-Streaming 以及两款文本转语音模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash，旨在帮助开发者构建能即时回应的语音智能体。
Apple · 机器学习研究AI 评分2727 Apple 研究：语言区分能力提升多语言语音模型的语音学习效果
研究显示，在预训练中增强多语言语音模型的语言区分能力，能缩小其与单语模型在语音和词汇任务上的性能差距。在英语/法语 HuBERT 实验中，引入辅助语言分类器等方法后，phone-ABX 错误率从 11.6% 降至 10.4%（单语基线 10.8%），sWUGGY 词汇任务得分从 52.1% 提升至 56.7%（单语 58.5%）。结果表明，语言区分能力对降低多语言学习的额外成本具有因果作用。
NVIDIA · 开发者博客AI 评分3434 微调 NVIDIA Nemotron 以适应沙特阿拉伯方言，并拓展至其他语言
NVIDIA 展示了如何微调其 Nemotron 自动语音识别模型以适配沙特阿拉伯方言。该方法旨在解决区域方言和本地录音条件在预训练数据中代表性不足的问题，确保模型能处理人们的实际口语，而不仅仅是基准测试中表现良好的主流语言。此微调路径也可应用于其他语言。
Vercel 博客AI 评分3535 Microsoft AI 模型现已在 AI Gateway 上可用
Vercel 与 Microsoft AI 合作，将 MAI 模型引入其 AI Gateway 平台。平台新增支持 MAI-Voice-2.1、MAI-Voice-2.1-Flash 和 MAI-Transcribe-2 Streaming 三款音频模型，分别用于生成多语言语音、低延迟语音交互和实时音频转录。AI Gateway 按模型官方费率计费，不收取平台费用或推理加价。
Hugging Face · 每日论文AI 评分4545 DEFINE：用于零样本 TTS 的示例引导口音控制框架
DEFINE 框架通过独立的音频示例分别控制说话人身份和目标口音，在单次推理中实现口音强度的连续调节。该框架基于 F5-TTS 构建，使用参数高效的 LoRA 进行适配，无需推理时的口音标签或后合成波形转换。在训练集内口音上，口音引导可将口音探测准确率从 6.5% 提升至 19.6%，并能将口音控制泛化到训练集外的部分口音上。
开源中国AI 评分3434 AIGCPanel v2.5.0 支持豆包语音音色并管理数字人直播音色模板
AIGCPanel v2.5.0 更新支持豆包语音音色，并新增云端语音模型 API 接入功能。该版本还将数字人与直播的音色分别纳入独立的音色库进行管理。AIGCPanel 是一款跨 Windows、macOS、Linux 平台的一站式 AI 数字人桌面应用。
TechCrunch · 融资并购AI 评分3434 Synthesia 为记者创建可交互数字分身
视频生成初创公司 Synthesia 为一名记者创建了其专属的可交互数字分身，该分身仅能回答关于其特定报道《为何风投支持的初创公司欺诈更多》的问题。该交互分身结合了语音转文本、视频、语言和文本转语音模型，企业客户还可选择集成 Cartesia、ElevenLabs、Google 或 OpenAI 的模型。
CNET · AIAI 评分4949 Gemini Live Avatar 为 AI 智能体配上虚拟形象，引发用户不适
Google 为 Gemini Enterprise 用户推出了 Live Avatar 功能，能将 AI 智能体与可交互的虚拟形象结合，用于视频聊天处理保险理赔等任务。该功能支持唇形同步、实时音频视频处理，并能同时运行工具和 API 调用。目前仅提供预制的虚拟形象供企业选择，所有音视频内容均使用 SynthID 进行水印以验证其 AI 生成属性。
CNET · AIAI 评分4444 Google 的 Gemini AI 新增“帮我打电话”功能及其潜在问题
Google 为移动端 Gemini AI 推出了可代用户进行日常电话呼叫的智能体功能。该功能目前仅限美国、18岁以上、拥有 Pixel 11 或更新机型并订阅 Google AI 服务（每月 5 美元起）的用户使用，且设计上不会进行支付或分享信用卡号等敏感信息。其实际效果受限于企业是否愿意与 AI 对话、每日呼叫次数限制以及处理语音信箱等常见场景的能力。
Vercel 博客AI 评分3434 Gemini 3.8 文本转语音模型现已在 AI Gateway 上线
Google 的 Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 模型现已在 AI Gateway 平台可用。两款模型支持超过 100 种语言的文本转语音，具备长文本叙述、音调语速控制和双人对话功能。开发者可通过 AI SDK 7 或更高版本调用模型 ID 进行语音生成。
Vercel 博客精选AI 评分5959 OpenAI GPT-Live 1 语音模型在 Vercel AI Gateway 上线
OpenAI 的全双工语音模型 GPT-Live 1 已在 Vercel AI Gateway 上线，支持同时听与说，无需等待对方说完。该模型还支持客户端委托，允许应用在语音会话进行时，调用 AI Gateway 上的任何文本模型（如 GPT-5.6-sol）处理深度任务，委托请求单独计费。
推荐理由：原文介绍了全双工语音交互和客户端委托的具体实现方式，读者可以据此评估其技术特点和应用潜力。
Google · Gemini 博客精选AI 评分7070 Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 实时对话模型
Google 发布了 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款实时对话模型，旨在提升语音智能体的智能和协作体验。
推荐理由：Google 官方博客宣布了其最新的实时对话模型，提供了详细的性能基准和面向不同场景的部署方案。
Google · AI BlogAI 评分4141 Google AI 博客：AI for everyone in every language
Google 宣布其技术与产品已支持超过 300 种语言，覆盖全球 86% 的人口。Gemini 3.5 Live Translate 支持 70 种语言的实时口语翻译，而基于 1200 万小时音频训练的通用语音模型正助力实现“千种语言计划”。
Together AI精选AI 评分5959 Together AI 如何构建全球最快的语音转文本技术栈
Together AI 分享了其构建低延迟、高吞吐语音转文本（ASR）服务栈的工程优化细节，以支持 NVIDIA Parakeet-TDT 0.6B v3 和 OpenAI Whisper Large v3 等模型。
推荐理由：原文详细拆解了从模型编译到运行时优化的全链路工程实践，为构建低延迟语音AI服务提供了具体的技术路径参考。
fal 博客AI 评分2929 Inworld TTS-1.5 Max 现已在 fal 平台上线
Inworld TTS-1.5 Max 文本转语音模型已在 fal 平台上线，专注于低延迟语音生成、更高的表现力和多语言支持。该模型首次音频生成时间低于约 250 毫秒，支持 15 种语言，定价约为每分钟 0.01 美元。
Together AI精选AI 评分5555 Together AI 推出构建实时语音智能体的统一解决方案
Together AI 推出了一个统一的解决方案，用于在共置的 STT、LLM 和 TTS 基础设施上构建实时语音智能体。该架构将整个语音技术栈保留在同一云上，旨在将端到端延迟降至 500 毫秒以下，并简化部署。平台原生集成了 Cartesia 和 Deepgram 的领先语音模型，为开发者提供了模型选择和配置的灵活性。
推荐理由：Together AI 将语音识别、大模型和语音合成整合在同一集群，为构建实时语音智能体提供了一个低延迟、可灵活选模的解决方案。