开发者基于 Google EmbeddingGemma 2 发布了一款端侧语音转写 Mac 应用 v1.6，在 Apple Silicon 上本地运行；base M3 MacBook Air 8GB 上达到约 288 倍实时，约 13 秒可转写 1 小时音频。
推荐理由：原文给出把 EmbeddingGemma 2 改造成语音转写工具的具体思路、训练规模和端侧实测速度，对关注端侧语音方案的读者有迁移参考价值。
模思智能近日完成超10亿元Pre-A轮融资，由华控基金联合领投，资金将用于全模态实时交互系统MOSS Live的研发与全球商业化落地。公司由复旦大学特聘教授邱锡鹏创办，CEO李世民介绍其目标是让AI理解物理环境中的持续信息流，从回答问题走向持续在场，未来进入眼镜、车、玩具、机器人等终端实现实时双工交互。
推荐理由：模思智能在超10亿元融资中押注情境智能与全模态实时交互，可帮助判断多模态语音赛道目前的资本关注点与技术路径。
Atticus 是基于 Claude Code 的 macOS 按住说话语音助手，直接复用用户的 Claude Pro 或 Max 订阅，无需额外 API key。常见指令跳过 AI 本地执行（打开应用约 0.08 秒），首次请求会记忆为免 AI 的快捷方式；删除、发送等危险操作会先弹确认。要求 macOS 26 及以上和 Claude Code，通过 curl 一行命令安装。
推荐理由：给出基于 Claude Code 的本地语音助手架构与免 API key 复用方案，可作为类似 macOS Agent 的实现参考。
据 Bloomberg 记者 Mark Gurman 报道，苹果将于本周二发布一款名为 HomeView 的智能家居中枢。该设备由 Siri 驱动并搭载 A18 芯片，分为台面式与壁挂式两个版本，可用于控制其他智能家居设备。
推荐理由：结合 HomeKit 与 HomePod 此前在智能家居市场反响有限的历史，为评估 HomeView 提供对照背景。
作者为 Linux 写空间音频程序时，针对一款商业效果器设计了一套测量逆向流程：通过 PipeWire 在朋友笔记本上播放含脉冲、正弦对数扫频、多频音和分频段噪声的测试文件并录制输出，再用正则化谱除法提取四通道 HRTF 类响应，最后加载进 Saq 复现出目标中的离头感。前期作者曾用 Gemini 作为思路讨论的辅助工具，但得到的描述无法落地，因此转向以测量驱动的方法。
推荐理由：作者给出针对黑盒音频效果的测量与重建流程，从激励信号设计到滤波器提取都列出步骤，方便迁移到其他效果器复现。
BetterWispr 是面向 macOS 14+ 的免费开源听写工具，长按 ⌥ Space 触发录音并使用本地模型转写。支持 Apple speech、Parakeet TDT v3、Whisper 等内置模型，并提供语气清理、分应用风格与会议纪要功能。模型在本地运行、无云端回退，无需账号，项目以 Apache 2.0 开源，更新通过 GitHub Releases 发布。
推荐理由：本地语音模型完成转写与清理，配合分应用风格与会议纪要功能，为 macOS 听写提供开源且无云端的替代方案
PolyAI CTO Shawn Wen 和 Otter CMO Alex Gay 在 HumanX 大会上表示，尽管全双工语音模型已陆续推出，语音 AI 仍未迎来自己的 ChatGPT 时刻。两人认为下一步需要让模型推理速度足够快、ASR 转写足够准确，对话才会显得自然并获得用户信任。PolyAI 与 Otter 均强调，企业通话和会议场景应向用户披露正在与 AI 交谈的透明度。
推荐理由：原文汇集 PolyAI 与 Otter 高管的判断，让读者了解语音 AI 在全双工之外，推理速度、ASR 准确率和透明度上仍待突破。
tiny-audio 是一个开源语音转文字系统，将冻结的预训练语音编码器通过小型可训练投影层接入预训练 LLM，整体训练成本约 25 美元，只需训练约 8000 万参数。
推荐理由：原文给出了冻结语音编码器加可训练投影层再加冻结 LLM 的解耦架构与完整训练流程，可作为低成本端到端语音转文字方案的参考实现。
10月7日至9日举行的WTTC第26届全球峰会上，亮亮视野AR+AI会议翻译系统以110余台AR眼镜为年度会员大会、MembersCircle及主会场提供实时多语言翻译，参会者可通过眼前字幕直接理解不同语言发言，无需传统同传耳机。该系统此前曾在2026北京文化论坛完成300台眼镜的组网应用。
推荐理由：亮亮视野AR+AI会议翻译系统完成110台级国际峰会部署，可与北京论坛300台规模对照看实际落地能力。
研究者提出 Dynamic Band Splitting（DBS）端到端框架，可在固定频带 token 预算下学习音频源分离中的频带切分位置，使频带边界随每个混合信号自适应调整。
推荐理由：给出 DBS 在 BSRNN、TIGER、BS-RoFormer、MelRoFormer 上的迁移效果与具体 SI-SDR 数字，可供做频带分离的研究者直接对照改进幅度。
Cactus Compute 发布 16.9 MB 端侧语音识别模型 Whistle，在 CPU 上无依赖运行，首 token 11 ms，支持英、德、法、西、意、荷、波七语。
推荐理由：16.9 MB 的端侧语音模型与 Needle 共用同一二进制可直接转写为工具调用，并给出与 Whisper、Moonshine 的逐项对比。
Google 发布实验性笔记应用 AI Edge Foresight，可在 macOS 上完全离线转录会议和音频文件。该应用基于本地 EmbeddingGemma 2 模型运行、免费使用，能将缩写要点扩展为完整笔记，并内置助手支持对转录内容提问。Google 表示用户的文件、会议音频与笔记都不会离开本机，目前仅针对搭载 Apple Silicon 的 Mac 优化。
推荐理由：在同类 AI 笔记应用普遍依赖云端的情况下，给出了一款完全本机运行的替代选择，读者可对比端侧体验的差异。
Natura 推出售价 99 美元的智能戒指 Interface，用户通过按压戒指即可向 AI 智能体下达指令，支持连接 Meta 的 Muse、Claude、ChatGPT、Grokbot 等多个 AI 智能体与 App。
推荐理由：这款戒指同时接入 Claude、ChatGPT、Grokbot 等多家 AI 智能体并兼顾健康追踪，可作为对比现有 AI 智能体硬件形态的参考。
阿布扎比技术创新研究所（TII）发布 1.6B 参数语音识别模型 Falcon-ASR，主打阿拉伯语尤其是阿联酋方言，使用同一组模型权重还支持英语、法语、西班牙语和葡萄牙语。
推荐理由：把模型在公开榜单和内部阿联酋方言评估上的具体 WER 与 CER 数字直接列出，读者可对照已发表系统查看差距。
Google 发布本地优先的 Mac 会议笔记应用 Google AI Edge Foresight，完全离线运行，基于端侧 EmbeddingGemma 2（740M 参数）记录和转写会议内容。
同一件事，精选收录的是《Google AI Edge Foresight 上线：在 macOS 上完全离线的会议转录笔记应用》
Cekura 发布 Cekura Bench，在真实电话场景中横向评测 9 款实时语音模型并公开每通电话转写与得分。测试覆盖 GPT Realtime 2.1、Gemini Live、Grok、Phonic 等模型，每款在 82 个场景上各跑 3 次，按可靠性、数据准确率、卡顿、响应时间和成本排名。
推荐理由：在真实电话场景里横向评测 9 个实时语音模型并公开全部转写与工具调用，可作为挑选语音 AI 模型时的对比参考。
SepGen 扩展预训练音视频生成器，在一次联合采样中同时输出视频、混合音轨以及按字幕逐个声源的波形，支持生成和分离两种互补模式。在给定音频混音和带台词字幕时，SepGen 在语音场景下优于语言条件分离器，且在字幕去掉台词后仍保持领先。代码、检查点与数据集已发布在 https://sepgen.github.io 。
推荐理由：SepGen 在一次采样中同时输出视频、混合音轨和各声源波形，并给出可与语言条件分离基线直接对比的语音场景实验结果。
Spotify 周三宣布将有声书服务扩展至全球 180 多个市场，覆盖欧洲、美洲、加勒比、中东、非洲和亚洲地区，面向超 7.5 亿用户开放。新市场提供 35 万余种有声书和 120 余种语言版本，Premium 用户每月可听 12 小时，也可购买 15 小时额度的 Audiobook+ 独立订阅或单本购买。
推荐理由：Spotify 将有声书覆盖扩展到 180 多个市场，可与 Audible 等专业平台比较地区覆盖、订阅设计和商业化进展。
研究人员在设备端级联语音智能体中引入推测式工具执行，通过 Predictor 模块在 ASR 阶段预测工具调用并预先缓存结果，将 Android 语音助手首音频响应时间中位数从 5.79s 降至 4.60s。框架同时加入基于规则的自校正校验以过滤用户口误，并在最坏情况下由 LLM 直接调用工具兜底，最终将响应延迟标准差从 3.49s 降至 2.81s。
OpenWhispr 是一款开源 AI 语音转文字工具，已推出 iOS 版本。产品页由 Joshua Padoa 10 月 6 日发布在 Product Hunt，原文未提供更多细节。
Google 官方汇总 2026 年 9 月 AI 发布动态，重点推出 Gemini 4 Argon 前沿模型（1-million-token 上下文窗口、面向网络安全防御，通过 Fairwind Program 向可信用户开放），以及 Gemini 3.8 Flash、3.8 Flash Cyber、3.8 Live、3.8 Flash TTS 等模型。
推荐理由：汇总 Gemini 4 Argon、3.8 Flash 系列、Live、TTS、Connected Apps、Project Suncatcher 等多项发布，读者可据此了解当月 Google AI 的整体动向。
UTTER IN 在 Product Hunt 页面被列出，原文因 Cloudflare 安全验证拦截，仅可见产品名称，无功能、参数或定价等具体信息。
柏林团队 KugelAudio 推出 Clarity-1，在实时音频流上做背景噪声去除和目标说话人提取，专门解决语音智能体在咖啡馆、街道等嘈杂通话中被误听和打断的问题。模型在 DNSMOS 基准对比中获得综合质量最高分，并提供 LiveKit、Pipecat、Vapi 适配器，首月免费试用，后续几周还会陆续发布更多模型。
DEFINE 是端到端零样本 TTS 框架，通过分别用参考音频控制说话人身份和目标口音实现解耦。该框架基于 F5-TTS 与参数高效 LoRA 适配，无需推理时口音标签或合成后波形转换，单个推理时引导权重即可连续调节口音强度而无需重新训练。
Google 发布两款文本转语音模型 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，主打高表现力语音生成，支持通过自然语言提示从零创建自定义声线。
推荐理由：原文给出了新模型的声线定制能力、基准排名和多语言覆盖，便于与前代 Gemini 3.1 Flash TTS 及竞品横向对比。
Ringg 基于 GPT-5.6 构建的 AI 智能体可自动解决高达 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页等渠道，并支持多语言。相比 GPT-4.1，相关成本降低 90%。
xAI 发布 Grok Voice Transcribe 2.0 语音转文字模型，官方称其在真实场景中的准确率是 1.0 版本的两倍，定价保持不变（批处理 $0.10/小时、流式 $0.20/小时）。
推荐理由：原文把新一代语音转文字模型的精度改进、公开榜单排名与定价一并给出，便于在与同类语音模型比较时直接核对数字。
Google DeepMind 发布两款语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化与成本效率、以及高复杂度任务与多步推理。
推荐理由：两款模型分别面向规模化部署与高复杂度语音推理，附带多项基准成绩与上线渠道，便于横向评估它在对话语音赛道的位置。
Google 在官方博客公布多语种 AI 最新能力：Gemini 3.5 Live Translate 支持 70 种语言、2000+ 语言对的实时语音翻译并能处理 code-switching 与情绪线索，Gemini 3.5 Transcribe 提供高精度语音转写，覆盖 55 种语言的轻量开源模型 TranslateGemma 可端侧离线运行。
推荐理由：原文汇总了 Google 在实时语音翻译、端侧模型与社区数据合作上的最新进展，读者可以据此了解不同网络条件下的可用能力。
OpenAI 在 API 中推出 GPT‑Live‑1，主打全双工语音对话，并带来更强的指令遵循、自定义语音以及电话通道支持。
推荐理由：GPT‑Live‑1 把全双工语音对话接入 API 并支持电话通道，为构建语音应用的开发者提供了一个新的模型选项。
Google 在官方 AI 月度回顾中集中公布了 2026 年 8 月的多项更新，包括面向开发者与 Agent 的 Gemini 3.7 Flash（每百万 token 价格为上一代一半）。
推荐理由：汇总了 Google 八月从 Gemini 3.7 Flash 到 Pixel 11 系列的多项发布，读者可以一次看清模型、终端、语音和开源研究的同步推进。
Open ASR Leaderboard 与 Voice Arena 上线印地语（hi-IN）与印度英语（en-IN）评测集 Monsoon，包含公开与私有四个 split、4888 名说话人，每人携带 12 项属性，用于揭示模型在不同人群上的识别差距。
推荐理由：给出基于说话人元数据拆分 ASR 评测结果的方法，能揭示区域、设备等维度上的差距，对多语言模型选型与改进方向有参考价值。
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，主打实时转写与智能语音交互，提供实时流式（Live API）和预录音频（Interactions API）两种接入方式。
推荐理由：给出了 WER、延迟改善幅度和多语言覆盖等具体基准，并区分了实时与预录两种接入方式，便于评估在语音产品中的替换价值。
NVIDIA 发布多语种 TTS 模型 Magpie TTS Multilingual 新版本，开放权重，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语、现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，参数量 364M，可在自有基础设施部署。
推荐理由：文章给出 B200 上 32ms TTFA 等具体延迟数据与帧堆叠等推理优化结构，读者可据此估算多语种语音智能体的端到端可控时延空间。
MiniMax 开源发布 Music 3 音乐生成模型，可根据歌词和音乐描述生成长达 5 分钟的 32 kHz 立体声 WAV 完整歌曲。模型采用 8B Global LLM 与 0.6B Local LLM 的分层自回归架构，Global LLM 由 Qwen3-8B 初始化，并配合 Flow Matching 与 Flow-VAE 的连续隐状态合成模块。
推荐理由：给出了 8B Global LLM 与 0.6B Local LLM 的分层架构与 Flow Matching 合成路径，便于参考音乐生成模型的工程设计。
xAI 发布语音到语音模型 Grok Voice Think Fast 2.0，AA Speech-to-Speech Quality Index 得分 82.9%，高于 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。
推荐理由：逐项给出了与 GPT-Realtime-2.1、Gemini 3.1 Flash 等模型的语音基准对比、转写在噪声环境下的优势，以及 8 月 5 日的迁移时间和 $0.08/min 定价，便于评估升级收益。
xAI 发布 21 个 Grok Voice 多语种新声音，加入原有五个声音阵容。所有新声音支持 25+ 种语言，已通过 realtime Voice Agent API、Text to Speech API 和新推出的 Grok Voice Agent Builder 开放，按客服、角色、评论、广告、教育等场景定制，支持 [pause] 和 <whisper> 等语音标签。
推荐理由：原文给出 21 个新声音的场景分类、API 接入方式及原有五声的改进幅度，可作为语音选型对比参考。
xAI 为 Grok Text to Speech 和 Voice Agent API 推出 Custom Voices 语音克隆功能，用户录制约一分钟语音即可在不到两分钟内生成生产可用的自定义语音模型。
推荐理由：原文写出了从录音到生产模型不到两分钟的克隆流程，以及通过验证短语和声纹比对的双重身份验证机制，读者可据此判断自定义语音接入的工程门槛与安全约束。
xAI 发布 Grok Voice Think Fast 1.0 语音模型并通过 API 上线，主打低延迟响应和复杂多步骤工具调用能力。该模型在 τ-voice Bench 排行榜上排名第一，支持 25+ 种语言，并已在 Starlink 客服和销售场景部署：销售线索转化率 20%，客服问题自主解决率 70%，单个智能体调用 28 个工具。
推荐理由：原文给出了 τ-voice Bench 榜首成绩和 Starlink 实际部署转化率等数据，可据此与同类语音 API 对比实际表现。
xAI 发布独立的 Grok 语音转文字（STT）和文字转语音（TTS）API，提供 REST 与 WebSocket 接入。STT 批量转写定价 0.10 美元/小时、流式 0.20 美元/小时，TTS 定价 15 美元/百万字符；官方在电话、视频/播客、会议等场景的词错误率基准上对标 ElevenLabs、Deepgram、AssemblyAI。
推荐理由：原文给出 STT/TTS 与多家竞品的多场景 WER 对比和定价，便于横向评估接入价值。