Overtone 发布多画幅字幕转写、校正与重排工具
Overtone 发布一套字幕处理工具，把每个词及其时间、说话人只存一次，并为 16:9、9:16 或指定比例分别生成字幕切分。
推荐理由：Overtone 把逐词存储、说话人标注和按画幅重排整合成统一流程，为多端字幕生产提供了一套可复用方法。
#语音
Hacker News精选AI 评分7070 TechCrunch精选AI 评分5555 Rivian 将部分 AI 语音助手技术授权给 Volkswagen Group，扩展 $5.8 billion 合资项目
Rivian 正通过与 Volkswagen Group 的 $5.8 billion 合资项目，向后者授权部分自研 AI 语音助手技术。授权费用、付款条款及具体适用车型均未披露，该助手可能在低价电动车 ID EVERY1 上进入 Volkswagen 车型。
推荐理由：授权费用和适用车型尚未披露，ID EVERY1 的可能首发为观察双方汽车软件合作扩展边界提供了具体切口。
TechCrunch · AI精选AI 评分6666 Granola 推出 Mac 语音听写功能，支持在所有应用中输入文字
Granola 推出 Mac 版语音听写功能，用户按下 Fn 键开始说话，工具会清理并排版语音，再将最终文字发布到当前应用。该功能覆盖所有应用，可用于记笔记、口述提示词和回复邮件与消息，不限字数且免费。Granola 表示功能将很快登陆 iOS 和 Windows；Wispr 则已从语音听写延伸至会议纪要。
推荐理由：Granola 从会议纪要扩展到语音听写，文章还对照 Wispr 从听写延伸至会议纪要的路径，呈现同类语音应用的功能趋同。
TechCrunch同事件AI 评分6262 Amazon 为 Alexa 新增 100 多项购物相关能力
Amazon 为 Alexa 增加 100 多项购物相关能力，涵盖清单管理、订阅调整、配送说明修改及支付问题处理。用户可创建、查看和编辑购物清单，调整商品配送频率，更新地址或放置说明，并查询 Prime、Audible 订阅的账单与支付问题。Amazon 称，自年初以来使用 agentic 功能的人数增长 8x，过去 12 个月超过 400 million 名消费者使用 Alexa 购物。
同一件事，精选收录的是《Amazon 更新 Alexa，新增 100 多项购物管理能力》
Hugging Face Blog精选AI 评分4141 IBM Granite Switch 4.1.1 补丁版发布，可按软件迭代方式更新模型
IBM Granite Switch 4.1.1 补丁版发布，完全向后兼容 4.1，升级无需迁移且不改动基础模型。更新后的 Granite Speech ASR 模型支持 10 种语言的语音转文字，并原生处理标点和大小写；Decision adapter 在 Jev Decision Index 测试集上的整体性能得到改进。
推荐理由：补丁版无需迁移即可兼容 4.1，并更新 ASR 与 Decision adapter，呈现基础模型不重训的模块化迭代方式。
TechCrunch精选AI 评分7070 Deepgram 收购 Pipecat 开发商 Daily，强化实时语音 AI 基础设施
Deepgram 宣布收购 Pipecat 的开发与维护方 Daily，交易金额未披露，双方表示 Pipecat 将继续保持开源。Pipecat 可管理语音和视频流，并编排 STT、大语言模型和 TTS 组件以降低延迟。
推荐理由：Deepgram 通过收购 Daily 获得 Pipecat，并推出面向语音智能体的开放协议，团队可据此评估多模型接入与实时语音编排路径。
Hugging Face Blog精选AI 评分7171 AnySpeechRecognizer 与 AnyDecisionModel 发布，支持 Apple 平台接入开放模型
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，为 Apple 平台接入开放模型完成语音识别和结构化决策。
推荐理由：文章用词错误率、转写速度和内存占用数据对比语音引擎，并补充会议重叠语音的表现，便于评估端侧识别方案的成本与精度。
钛媒体AI 评分6060 深兰科技联合华为发布 Wowoker 大模型智能体工作手机
深兰科技联合华为发布 Wowoker 大模型智能体工作手机，将其定位为全球首款面向企业工作场景的 AI 智能体终端。产品基于华为麒麟芯片与 HarmonyOS，融合深兰多模态大模型、Decision Model 和 AgentOS，支持 AI 外呼、智能获客、多平台营销、智能 CRM、沟通数据加密留存及风控。
36氪AI 评分5151 亚马逊发布五款 Alexa 智能家居新品
亚马逊集中发布五款以 Alexa AI 助手为核心的新产品，覆盖智能音箱、智能时钟、数码相框和智能显示屏。产品包括升级版 Echo Dot、配备摄像头的 Echo Studio、Echo Time 智能时钟、Alexa Photo Frame 数码相框和 Echo Show 16 智能显示屏。其中，16 英寸旗舰智能屏 Echo Show 16 起售价为 499.99 美元。
36氪AI 评分6969 英伟达推出 Nemotron 3.5 Transcribe 开放权重语音模型，支持 RTX Spark 本地运行
英伟达推出开放权重的 Nemotron 3.5 Transcribe 语音模型，可在 RTX Spark 本地实现语音转录、说话人识别和翻译，支持 40 种语言。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
NVIDIA Blog精选AI 评分7474 NVIDIA RTX Spark Windows 笔记本开售，新增本地模型、智能体工具和游戏支持
NVIDIA RTX Spark Windows 笔记本现已由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 开售，起售价 $2,599，并新增或计划引入本地模型、智能体工具与游戏支持。
推荐理由：原文将模型能力、GPU 资源分配与本地部署条件并列呈现，读者可据此判断 RTX Spark 对轻量本地 AI 工作流的适配范围。
TechCrunch精选AI 评分7575 Nvidia 发布 Nemotron 3.5 Transcribe 开放权重语音转录模型
Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。
推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。
TechCrunch精选AI 评分6868 Amazon 发布 Alexa Photo Frame、Echo Time 等五款 Alexa 设备
Amazon 发布五款 Alexa 设备，包括 10 英寸智能相框 Alexa Photo Frame 和智能闹钟 Echo Time，并更新 Echo Show、Echo Dot 与 Echo Studio 产品线。
推荐理由：Echo Time 专为卧室设计，Echo Dot 强化本地处理与智能家居连接，带摄像头的 Echo Studio 则扩展了 Alexa+ 的视觉理解能力。
钛媒体精选AI 评分6161 豆包手机应先聚焦老年群体
豆包手机可以先面向老年人开发价格更亲民、操作更简单的AI手机，而不是只盯着5999元起的高端市场。努比亚小牛已以999～1099元价格、适老模式和AI语音服务老年用户，豆包50岁以上用户月活2026年1月达到607万；但豆包手机助手拒操作155款应用，微信、淘宝、美团等高频应用均在列。作者建议，豆包可先整合地图导航、医院挂号、天气和菜谱等刚需，并探索减少老年机长期面临的广告干扰。
推荐理由：文章将豆包手机的高价、155款应用拒操作清单与老年需求相对照，呈现AI手机切入细分市场时的能力与成本取舍。
OpenAI News精选AI 评分6161 Retell 使用 OpenAI 模型支持每月 100M 次通话
Retell 使用 OpenAI 模型支持每月 100M 次通话，GPT-6 Astra 位居其语音智能体基准榜首。Codex 则帮助其达到每名员工 $1.6M 的年化营收。
推荐理由：材料给出调用规模、智能体基准和人均营收三项案例数据，便于观察 OpenAI 模型在语音智能体业务中的使用结果。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Genie 4 多模态世界模型
Google DeepMind 发布 Genie 4 世界模型，可实时生成视觉、动态交互与原生音频，并通过 Gemini 理解提示、维持场景连贯性。Gemini 3.8 Flash 作为引导智能体分解目标、检查画面并动态调整计划，支持多步骤事件与因果行为模拟。
推荐理由：官方披露了 Genie 4 的实时交互、原生音频与 Gemini 引导机制，并明确列出预览范围和当前局限，便于评估其可用边界。
TechCrunch精选AI 评分7171 Apple 推出 iOS 27.2，扩展 Siri AI 语言并加入 160 多项安全修复
Apple 面向 iPhone 和 iPad 推出 iOS 27.2，扩展 Siri AI 的语言支持与记忆功能，并加入 160 多项安全修复。Siri AI 以 beta 形式新增法语、日语、韩语、葡萄牙语和西班牙语支持，可记住过往对话细节，并利用信息 App 附件中的照片、日历、语音信箱、Safari 历史记录和阅读列表作答，用户还能排除指定 App 的记忆来源。
推荐理由：更新同时扩展 Siri AI 的语言与记忆能力，并纳入 160 多项安全修复，便于用户评估功能变化与系统风险。
钛媒体精选AI 评分6666 科大讯飞发布讯飞星火X2.6，采用全国产算力训练端云一体架构
科大讯飞发布讯飞星火X2.6，采用全国产算力训练，由一个云端大模型搭配4B端侧模型，并按任务难度和数据敏感度决定本地执行、两端协同或云端处理。长程任务动态并行训练使超长上下文训练效率提升约4倍，自适应存算协同结合四层KVCache和分布式推理，使推理效率提升4.5倍。4B端侧模型将复杂智能体任务完成率推至41.9%，端云路由准确率为96.1%，敏感资料可在本地关联或脱敏后再上传。
推荐理由：端云路由、长程任务动态并行训练与存算协同给出了明确指标，呈现了国产算力受限下兼顾效率和数据本地化的实现路径。
36氪精选AI 评分4343 千问办公接入乐奇 Rokid AI 眼镜，支持语音下发任务
千问办公正式接入乐奇 Rokid AI 眼镜。用户可在 RokidAI App 的智能体商店添加“千问办公”并绑定账号，随后通过语音唤起千问办公、下发任务，并在眼镜端查看结果。
推荐理由：材料给出了添加智能体、绑定账号、语音唤起和查看结果的完整链路，可用于理解眼镜端办公助手的实际使用方式。
Ars Technica · AI同事件AI 评分7373 Apple 发布 iOS 与 macOS 27.2，新增 Siri AI 对话记忆
Apple 发布 iOS 和 macOS 27.2，为 Siri AI 增加对话记忆，并扩展其可访问的数据源和语言范围。Siri 可访问语音留言、Messages 附件等内容，Excluded Apps 选项可限制 Siri、搜索和建议访问的应用，新增语言包括法语、日语、韩语、葡萄牙语和西班牙语。
Hacker News精选AI 评分3939 Partyline：基于 Reticulum 和 LXST 的群体语音应用
Partyline 是一款基于 Reticulum、使用 LXST 构建的群体语音应用，支持加密实时多人语音、房间权限控制、拨号接入以及 GUI 和终端客户端。
推荐理由：项目提供可直接运行的服务器、GUI 和终端客户端，以及多套房间权限、编码和 PTT 配置，便于评估不同网络条件下的部署方案。
量子位精选AI 评分4747 联想天禧AI在观猹大会展示跨端协同，预告4.5版本升级
联想天禧AI在观猹大会展示个人AI跨端协同，4.5版本定于10月30日升级。现场演示中，用户可通过天禧AI手机语音搜集Personal Agent产品并自动生成研究报告，也能关闭系统弹窗、调高屏幕亮度。4.5版本将进一步强化记忆管理与数据隔离，现有版本则基于Harness架构，支持联网搜索、生图修图、本地文件控制、文档生成及外部MCP Server接入。
推荐理由：现场演示具体呈现了手机语音触发研究报告与设备控制的跨端流程，也补充了天禧AI 4.5版本的记忆与数据隔离方向。
量子位精选AI 评分4747 OpenAI 与 Gemini 共同选择的实时语音交互，为什么是声网？
声网在 iRTE2026 展示了生成式 AI 的实时交互基础设施，覆盖模型协作、全双工语音、实时网络、音频处理、工具调用与推理。Agora Conversational Model 组合声音感知、推理、工具、记忆与语音表达，Conversational Agent System 将其与全球实时网络、音频处理及推理基础设施结合。
推荐理由：文章沿着模型、网络、音频和终端梳理实时语音交互链路，便于理解声网多模型协作方案与配套工具如何落地。
Hacker News精选AI 评分4141 Armin Catovic：全天候 AI 智能体正接近《Agency》中的 Eunice
Armin Catovic 以 William Gibson 小说 Agency 中的 AI 助手 Eunice 为参照，认为能一边全双工交谈、一边自主追求目标并在后台行动的全天候 AI 智能体即将到来。
推荐理由：文章将《Agency》中的 Eunice 与全双工、全天候智能体并置，为理解自然对话与后台自主执行的融合提供清晰参照。
Hacker News精选AI 评分6767 Destined AI 发布 Hurston-1 开源 TTS，支持多类口音与 8 kHz 电话音频
Destined AI 发布开源英语 TTS 模型 Hurston-1，支持美国南部及多类非洲英语口音。phone 模式输出 8 kHz G.711 mu-law 音频并可接入 Twilio，默认仍为 24 kHz，项目地址为 https://huggingface.co/destined/hurston-1。
推荐理由：Hurston-1 同时提供多口音合成、8 kHz 电话输出和 WER 与盲听评测，可用于构建客服及语音智能体的口音测试数据。
TechCrunch · AI精选AI 评分5757 个人 AI 可穿戴设备与智能硬件功能、价格和上市状态盘点
TechCrunch 汇总了多款面向个人记录、陪伴和任务处理的 AI 可穿戴设备与便携硬件。已公布或预计售价从 Bee 的 $49.99 到 Sandbar Stream 戒指的 $299，常见能力包括持续录音、转写、摘要、提醒、情绪识别和语音交互。
推荐理由：文章按价格、佩戴形态和核心功能横向比较多款 AI 可穿戴设备，并列出订阅门槛、隐私控制与上市状态，便于判断产品定位。
HF Daily Papers精选AI 评分3939 AMBIT 统一一阶 Ambisonics 空间音频的生成与编辑
AMBIT 提出统一框架，通过自回归场景规划与整流流渲染，生成并编辑一阶 Ambisonics（FOA）空间音频。共享 Transfusion 骨干以可执行 ScenePlans 描述声源内容、活动和 3D 轨迹，编辑计划覆盖需保留的声源；FOA 感知连续 VAE 维护内容与声道间结构，在策略自蒸馏则针对学生生成状态改进规划和渲染。
推荐理由：论文将可执行场景规划、整流流渲染与在策略自蒸馏整合进统一框架，并同时验证空间音频生成和指令编辑效果。
TechCrunch精选AI 评分5858 Block 发布可本地运行的全双工语音模型 Dessa
Block 发布全双工语音到语音模型 Dessa，可同时听说，并能在 MacBook M4 Max 或更高配置的消费级电脑上本地运行。该模型完全基于人类语音训练，Block 称其仅用单块 NVIDIA GPU 训练，并将情绪直接纳入语音生成。模型目前尚未公开访问，Block 邀请安全研究人员测试语音智能体误导他人的风险。
推荐理由：Dessa 的全双工语音、情绪表达与消费级设备本地运行方案交代具体，并说明暂未开放及安全测试安排，便于评估语音智能体的落地条件。
The Decoder同事件AI 评分5454 Block 发布仅用人类语音训练、可捕捉情绪的 AI 模型 Dessa
Block 发布从头训练、完全不使用文本数据的 AI 语音模型 Dessa，直接处理音频以识别文本模型遗漏的情绪、讽刺、笑声和停顿。Dessa 支持全双工通信，可同时听和说，并在 MacBook Pro M4 Max 本地运行，训练使用单个 NVIDIA GB200 NVL72。该模型尚未公开，Block 正邀请 AI 安全研究者测试潜在风险，可通过表单报名。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
量子位精选AI 评分4040 iRTE2026：声网CEO赵斌提出五级对话能力框架
声网CEO赵斌在iRTE2026提出五级对话能力框架，把对话式 AI 从单轮应答一路拓展至基于深度关系的沟通。L1至L5分别覆盖自身视角表达、互动规律、个体认知、群体认知与深度关系，赵斌称实时互动基础设施还需支撑低延迟、稳定交互、上下文理解与任务执行。
推荐理由：赵斌的五级框架把对话能力从单轮应答延伸到关系理解，圆桌则补充 Agent、穿戴设备和业务交付视角，为梳理对话式 AI 的演进方向提供具体参照。
量子位精选AI 评分6666 科大讯飞首发星辰TaaS平台，构建模型到行业解决方案的全链路
科大讯飞首发星辰TaaS平台，以星辰MaaS为底层，通过模型调度、智能体引擎、知识工程和工具编排连接模型能力与行业应用。平台覆盖同传翻译、数字员工、办公提效、知识问答、智能营销等场景，并面向企业服务、金融、医疗、教育、能源等行业提供产品与解决方案。平台提出将 Token 消耗嵌入真实业务流程，让每次 Token 调用推动业务任务完成。
推荐理由：星辰TaaS把模型调度、智能体引擎、知识工程与工具编排串成全链路，并给出金融、医疗等行业落地方向。
The Verge · AI同事件AI 评分5757 Block 发布基于人类语音从头训练的 Dessa 模型
Block 发布 AI 模型 Dessa，以人类对话语音从头训练，可进行端到端语音交互。官方样例显示其对话多数较自然，但偶尔显得生硬怪异；在一段与 OpenAI GPT-Live-1 语音模型的对话中，Dessa 表现得更自然。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行，Block 计划向一小群 AI 安全研究人员提供早期访问。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
钛媒体精选AI 评分6262 AI艺人扎堆出道，赚钱的却没几个？
国内AI艺人正沿AI短剧衍生和原生艺人两条路径，通过独立账号、品牌共创与线下演出探索商业化，但仍未形成可复制、可持续的盈利模式。方桃子截至10月22日拥有55.8万抖音粉丝，单条商单报价一度达25.8万元/60秒，但报价并非真实成交价，首条美瞳广告下架后团队称将暂时拒绝商务合作。Yuri尤栗、吴爱花等已有品牌合作，但大众影响力、持续内容产出、运营成本，以及广告真实性、版权和授权机制仍制约收入兑现。
推荐理由：文章借方桃子的报价与广告合作案例，拆解粉丝数、名义报价和关联商品销售额不能直接代表AI艺人盈利能力。
Hacker News精选AI 评分5656 OnKey 发布开源 Mac 歌唱训练应用，提供实时音高轨迹与评分
Daniel Murrell 发布开源 Mac 歌唱训练应用 OnKey，可配合 Spotify、Apple Music 或浏览器中的 YouTube 跟唱。首次播放可显示歌词，并在歌曲结束时学习旋律；之后呈现滚动音符、实时音高轨迹和逐句评分。
推荐理由：OnKey展示了从主唱分离、实时音高跟踪到逐句评分的完整流程，并说明本地处理、硬件门槛与数据请求，适合评估Mac端歌唱练习方案。
OpenAI News精选AI 评分4646 Anima 借助 GPT-6 和 GPT-Live 将诊所电话等待时间缩短 75%
Anima 借助 GPT-6 和 GPT-Live 帮助诊所将电话等待时间缩短 75%。Anima 扩展了护理团队使用 OpenAI 模型响应患者的能力，让团队获得更大的患者响应容量。
推荐理由：Anima 在诊所场景中借助 GPT-6 和 GPT-Live 将电话等待时间缩短 75%，为医疗场景中的模型应用提供了可量化参照。
36氪精选AI 评分5757 科大讯飞发布端云一体讯飞星火X2.6及SparkAudio 1.0
科大讯飞发布端云一体讯飞星火X2.6，并同步推出语音基座大模型SparkAudio 1.0。云端和端侧星火X2.6-4B能力同步提升；未来60%的应用可在本地完成，30%通过云端协同，10%需要云端大模型解决。SparkAudio 1.0支持语音识别、同传、交互、音频理解、情绪识别、实时说话人分离和环境声理解。
推荐理由：端云一体的任务分工、本地处理比例和多类语音能力，为比较模型应用的安全、效果与成本提供参考。
HF Daily Papers精选AI 评分5050 Falcon：面向真实声学场景的高效流式音视频目标说话人提取
Falcon 是一种因果音视频目标说话人提取模型，利用目标说话人的嘴部视频从噪声和重叠语音中提取其声音。模型采用单次多尺度时频分离器与编码空间说话人对比损失，相较 causal AV-TFGridNet，可训练参数减少 91.9%，计算量降低 20.2×，GPU 推理延迟降低 11.1×。
推荐理由：论文提供真实场景基准，并报告相对 causal AV-TFGridNet 的参数、算力与延迟对比，便于评估效率取舍。
TechCrunch精选AI 评分7575 OpenAI 向所有客户开放 Decisions API 决策模型
OpenAI 已向所有客户开放 Decisions API 决策模型，并在公开版本中加入语音和视觉模态。该模型由 ChatGPT Luna 重新配置以加快推理、降低成本，处理延迟由 1–3 seconds 降至 100、120、180 milliseconds。
推荐理由：文章同时给出 Decisions API 的延迟数据、客户试用结果和榜单位置，便于比较其速度、成本与决策能力。
AWS Machine Learning Blog精选AI 评分6969 如何使用 Kokoro TTS 和 Amazon SageMaker AI 实现 AI 智能体低延迟语音流式输出
本文演示将 AI 智能体逐句生成的文本即时送入 Amazon SageMaker AI 上的 Kokoro-82M TTS 模型，并在完整回答完成前开始播放语音。
推荐理由：给出逐句流式合成、双向会话和音频回传的实现路径，并用对照测试量化各方案的首音频延迟与实现取舍。