Apple 发布了 HomeView，一款售价 299 美元的家庭设备，可通过人脸识别最多六个人，并在 Messages、FaceTime、Calendar、Reminders 和 Find My 中显示他们的个人内容。HomeView 上的 Siri AI 增加了屏幕感知能力，并可借助配对的、支持 Apple Intelligence 的 iPhone 或 iPad 获取个人上下文，在美国、澳大利亚、加拿大、印度、新西兰、新加坡、南非和英国支持英语。今日在澳大利亚、加拿大、印度、新西兰、新加坡、英国和美国开放订购，而该设备不在欧盟销售，因为 Siri AI 在当地的 iOS 上不可用。
推荐理由：Apple 首款搭载 Siri AI 的家庭设备展示了人脸识别和个人上下文如何将共享屏幕变成个性化助手。
inclusionAI 发布了 Duo-1.0-distill-quant，这是 Duo 1.0 全双工多模态世界模型的 FP8 量化四步蒸馏 Realization 权重。该权重叠加在 inclusionAI/Duo-1.0-causal-base 包之上，后者提供共享的 Intent、编解码器、语音模型和 Realization 主干，并需要支持打包的 ModelOpt FP8 格式的运行时。该权重从 MiniMax H3 初始化，随后由 Duo 团队训练。
inclusionAI 已发布 Duo-1.0-distill，这是 Duo 1.0 的四步蒸馏 Realization 权重；Duo 1.0 是一个用于实时视听交互的全双工多模态世界模型。该权重以 PyTorch Distributed Checkpoint 覆盖层的形式发布在 inclusionAI/Duo-1.0-causal-base 包上，使用 Euler 采样器、4 步和 flow shift 5.0。该权重从 MiniMax H3 初始化，随后由 Duo 团队训练。
ElevenLabs列出了七项客户服务技能——沟通、问题解决、冲突化解、同理心、适应力、个性化以及产品知识——人类和AI客服人员都需要具备这些技能。它引用了Zendesk的一项研究，该研究发现超过50%的客户在经历一次糟糕体验后会转向竞争对手；还引用了Gartner的预测，即到2028年至少70%的客户将通过AI界面开启他们的旅程。该指南强调在训练期间和部署之后评估对话指标，并强调无缝转接给人类以缓和局势。
Amazon SageMaker AI 双向流式传输现已支持按用量计量，允许模型提供商向 AWS Marketplace 软件费用上报实际消耗量，而端点基础设施费用仍需另行支付。Deepgram 是首发合作伙伴，将按用量计费的语音转文本和文本转语音计费引入 AWS Marketplace。该设计新增一条配套的 WebSocket 元数据流，限制为每秒一条消息、每条 512 字节，使提供商能够在实时会话期间发送增量计量记录。
ElevenLabs于11月11日在纽约峰会上宣布，永久性失声人群现在可以免费使用ElevenMusic，让无法再唱歌的艺术家能够继续创作和发布音乐。该项目与Songwriters of North America（SONA）合作启动，由后者负责核实资格并分发使用权限。
在纽约峰会上，ElevenLabs 为其 AI 交互层发布了新模型、智能体和部署选项，其中包括负责管理轮流发言并将对话各部分路由至更便宜或前沿 LLM 的交互引擎。ElevenAgents 新增记忆功能，可构建回头客的结构化记录，以及例程功能，这是用于通话前、通话中和通话后多步骤工作的自动化层。ElevenLabs 还预览了 ElevenAI 职场应用，今日开放免费早期访问；推出了合作伙伴计划，目前覆盖 44 个国家的 550 多家合作伙伴，并与麦肯锡结成联盟；同时推出了 ElevenLabs 市场；NVIDIA 的 Nemotron 3.5 Super VL 现已在 ElevenAgents 中可用，并新增 15 MW 的 Vera Rubin 算力容量。
ElevenLabs 概述了语音克隆如何让内容创作者只需录制一次短样本，之后就能为视频、播客、课程和社交短片生成旁白，而无需再回到录音棚。该指南区分了即时语音克隆（Instant Voice Cloning）与专业语音克隆（Professional Voice Cloning）：前者可在不到一分钟内基于短样本生成克隆，后者则在更大的录音集上训练，并包含一个验证步骤，确认声音属于该创作者。指南还列出了选择标准，包括声音保真度、表达控制、语言覆盖、同意保障、导出选项和商业授权。
ElevenLabs 推出了 ElevenLabs Marketplace，这是一个由技术合作伙伴基于其模型构建的、面向特定行业的 AI 与语音应用精选集合，首批合作伙伴包括 Salesforce、IBM、NiCE、Twilio 和 Zendesk。企业可以探索金融服务、保险、医疗健康、电信、零售和政府领域的解决方案，并直接与这些方案背后的合作伙伴建立联系。从明年开始，符合条件的合作伙伴解决方案将可通过现有的 ElevenLabs 承诺购买。
ElevenLabs与NVIDIA已在模型、基础设施和主权部署方面扩大合作，将NVIDIA Nemotron 3.5 Super VL引入ElevenAgents平台。ElevenLabs计划在现有Blackwell Ultra系统之上新增15MW的NVIDIA Vera Rubin算力，并利用NVIDIA机密计算为波兰Centralna e-Rejestracja预约系统在本地部署语音智能体。据ElevenLabs称，在ElevenAgents客户支持基准测试中，Nemotron 3.5 Super VL实现了领先的端到端任务完成准确率，成本比其他领先开源模型低70%。
麦肯锡与ElevenLabs宣布结成联盟，帮助企业先通过初始用例验证对话式AI的价值，再在整个企业范围内推广。该合作将麦肯锡的行业与转型专长（包括QuantumBlack的AI工程能力）与ElevenLabs的前沿对话式AI技术及ElevenAgents平台相结合。荷兰电信运营商KPN已在使用这些新的AI驱动解决方案，该联盟计划将这一模式拓展至保险等服务密集型行业。
ElevenLabs表示，企业客户目前贡献其营收的55%以上，其技术已进入十大科技公司中五家、十大保险公司中五家以及十大电信运营商中四家的日常运营。在纽约峰会上，Ramp、Customers Bank、Banco Inter、Clover Health和FOX Sports等客户介绍了如何使用ElevenAgents和ElevenCreative开展支持代理、入职引导、多语言服务，以及在FOX Sports App中打造评论员Colin Cowherd的AI形象。
Vapi 推出 Agent Loop 早期访问版，计划于明年初正式发布（GA）。它是一个可自我改进的框架：只需一段简单提示即可构建语音智能体，针对业务目标对每通电话打分，为未达标之处起草修复方案，在模拟环境中测试，并先推送到一小部分实时流量，然后再全面上线。该循环运行在 Vapi 的基础能力之上，包括现已可在仪表盘中使用的 Simulations 和 Traffic Splitting，以及即将推出的 Goals、Call Health 和 Experiments。每个 Agent Loop 智能体都是真实的 Vapi 助手，因此工程师可保留完整的仪表盘和 API 访问权限，且任何变更上线前都需要人工批准。
一位 Sierra 设计师借助 AI，仅用两周时间就将“看得见的声音”Mossy 从想法推进到生产上线。该项目分享了这位设计师的整个过程以及一路积累的经验。
Google 在 Google AI Edge Gallery 中引入端侧自动语音识别（ASR）与文本转语音（TTS），使应用能够在完全离线的情况下运行多语言 ASR 和富有表现力的 TTS，并与 Gemini Nano、Gemma 4 等端侧 SLM 协同工作。在 Android 上，ML Kit 的新语音模型以 10 倍实时速度转写 100 多种语言，在 FLEURS 上的词错误率为 8.0% 至 9.0%；而少步扩散 TTS 约 100 毫秒即可开始发声，并以最高 50 倍实时速度生成 24 kHz 音频。跨平台支持通过 MediaPipe Tasks 和 LiteRT 实现，提供包括 Parakeet-TDT 0.6B、PocketTTS 100M、Kokoro-82M 和 Phonon 31M 在内的开放权重包，并在 XR Language Teacher 展示和语音版 AI Chat 中进行了演示。
推荐理由：Google 为 AI Edge Gallery 添加了完全离线的 ASR 和 TTS，ML Kit 报告称可 10 倍实时转写 100 多种语言，扩散 TTS 约 100 毫秒即可开始发声。
Zyphra 发布了 ZONOS3-Mini，这是一款稀疏 MoE 文本转语音模型，激活参数 100M、总参数 800M，采用 Apache 2.0 许可，在 112 块 NVIDIA H100 上训练了 2.5 天。它在 Pixel 9 的浏览器中首音频延迟低于 570 毫秒，在 M3 MacBook Air 上低于 150 毫秒，并提供 WebGPU、SGLang、vLLM 和 GGML 运行时。该模型增加了对身份、口音、质量、情绪和表达方式的控制，包括词级调控，Zyphra 报告称其在其新的 ZTTS2-Eval 基准上在开源模型中排名第一。
推荐理由：Zyphra 的紧凑型 MoE TTS 模型将零样本语音克隆与词级表达控制相结合，同时能在手机和笔记本电脑上实时运行。
Meta 正在美国率先于移动端、网页端和 Mac 端的 Muse 应用中推出实时语音对话和表情虚拟形象。用户点击电话图标即可通话，可以打断回复，并可从数百种声音以及纯语音、虚拟形象或全屏模式中进行选择。语音功能即将登陆 AI Glasses 和 Muse Charm。
推荐理由：Meta 的 Muse 应用现已支持带表情虚拟形象的实时语音对话，显示出语音和打断处理正进入消费级 AI 助手。
Clerk AI 基于 LiveKit 的开源框架和全球边缘网络运行企业级语音与消息智能体，无需预先配置即可处理超过 1,000 个并发语音会话。智能体响应时间低于 500 毫秒，原生支持 30 多种语言，ScreenSense 通话筛选准确率达 97%，TrueReach 语音信箱检测准确率超过 98%。该平台可完全掌控 STT、LLM 和 TTS 提供商，持有 SOC 2 Type II 认证，并内置 TCPA 合规能力。
Vapi 已推出流量分割功能，让团队可以在正式切换前，将 0.1%、1% 或 5% 的呼入和呼出电话路由到新的智能体版本。此前，发布新的助手版本会立即将 100% 的流量发送到该版本。该功能包含“粘性”机制，使重复来电者保持在同一个版本上，Vapi 建议从双向分割开始。
Audible 的技术团队正在使用可控文本转语音技术，让有声书中的角色拥有鲜明且一致的声音，并以对白应如何呈现的自然语言描述作为引导。BookLLM 组件能够刻画角色并识别其对话，在英语中准确率达 97%，在西班牙语中达 94%；同时，一条合成数据流水线利用带字幕的语音来训练模型。在 MUSHRA 测试中，对话区分度提升了 3.7 分，并且在英语和西班牙语测试中，十种声音里有八种在聆听体验上取得了统计显著的提升。
在低代码平台被证明过于僵化且不透明之后，Acuity Health 在 LiveKit 上重建了其患者接入语音智能体，如今 80% 的来电完全由 AI 智能体处理。智能体基于 LiveKit Inference 运行，使用 Gemma 4 31B 模型，大多数预约在一分钟内完成，81% 的预约通话以“谢谢”结束。LiveKit Simulations 会在发布前针对患者画像测试每一项变更，一次提示词审查削减了约 24% 的用词，同时仍能通过相同的场景测试。
Mistral 发布了 Voxtral 3，这是一系列语音转文本和文本转语音模型，外加一个基于 LiveKit 构建的语音智能体 SDK，可在单一流水线中流式完成聆听、推理、工具调用和说话。Voxtral Small Transcribe 3 覆盖 50 多种语言，支持说话人分离和上下文偏置；Voxtral Mini TTS 3 支持 35 多种语言和 50 多种方言；该技术栈可通过 Mistral 的欧盟托管 API 或自部署获取。定价为批量转写每分钟 0.0035 美元起，TTS 每 100 万字符 13 美元。
推荐理由：Mistral 的 Voxtral 3 将多语言语音模型与基于 LiveKit 的语音智能体 SDK 相结合，为团队提供了一个可主权部署的实时语音智能体选项。
10 月 8 日，Vapi 在旧金山湾的一艘包租游艇上召集了 30 多位语音 AI 开发者参加舰队周活动，Deepgram、Kouper Health 和 Coval 带来了炉边对话，另有一场技术工作坊。与会者重点关注 GPT Live 语音到语音，它降低了延迟并带来流畅的轮次转换，但牺牲了对关键术语和脚本的精细控制。讨论还涉及附和反馈、感知延迟以及平台与自建语音栈的取舍。
inclusionAI 发布了 Ming-3.0-tts，这是一个开放权重的多语言语音合成系列，包含两个模型：Ming-3.0-tts-0.5b 是 0.5B 稠密模型，Ming-3.0-tts-tiny 是基于 Ling V3 的 MoE 模型，总参数 7.9B、激活参数 1.3B。两者均附带推理代码、任务 cookbook 和基准测试表格，支持声音克隆、基于文本的音色设计、自由形式的自然语言表达控制、14 个内联副语言标签、情绪与语速/音高/音量控制，并支持中文、英文、德文、西班牙文、法文、韩文、日文、四川话和粤语。在 2026 年 10 月的 Artificial Analysis 文本转语音排行榜上，Ming-3.0-tts 在 Controlled Voice 上位列开放权重模型第 1，在 Pronunciation Robustness 上以 93.2% 位列总榜第 1，在 Provider Voice 上位列开放权重模型第 3。
inclusionAI 发布了 Ming-3.0-asr-tiny，这是一款语音识别模型，将 Ling-tiny-v3 语言模型与音频编码器结合，用于中英文转写、方言识别和上下文 ASR。方言评测覆盖 15 个测试集，包括湖南话、闽南语、粤语、川渝话和上海话，并且可以在提示中提供热词或前序对话，以解析人名和技术术语。该仓库提供了 Transformers 和 SGLang 的部署指南，代码和权重以 MIT 许可证发布。
LiveKit 的指南汇集了解决方案架构师和前置部署工程师的经验，讲述如何将 AI 语音智能体从演示推向生产，围绕三个问题展开：智能体是否足够智能和自然、其性能是否可观测、以及是否能可靠且经济高效地扩展。指南建议单独测量第一轮交互，因为一家公司发现大约 3/4 的通话在问候环节就结束了；并指出客户在 LiveKit Inference 上从 GPT-4.1 迁移到 Gemma 4 31B，在 p50 上节省了 300–500ms。
Modal 介绍了如何在其无服务器 GPU 上使用开放权重或自定义模型运行 LiveKit Agents，并以 BitHuman 的开放权重 Expression Video Avatar 为例，由 Qwen3-TTS 配音来克隆 Charles Frye。该方案通过 Modal Server 暴露 avatar 容器的 /launch 端点，并使用 Sticky Sessions 让 WebSocket 客户端保持在同一容器上，同时用 GPU 快照隐藏冷启动。
inclusionAI 发布了 Ming-3.0-audio-flash，这是一个 126B 参数的混合专家音频模型，激活参数为 6.5B；同时发布的还有紧凑型 Ming-3.0-audio-tiny，参数为 9.3B，激活参数为 2.7B。flash 模型覆盖中英文语音识别，包括方言和嘈杂多说话人场景、长音频理解、非语音声音与音乐感知、音频推理，以及可选用合成语音输出的端到端口语对话。该模型以 MIT 许可证提供，附带 vLLM-Omni、SGLang 和 Transformers 推理路径，默认 Flash 配置在 128K 上下文下使用四块 80 GB H800 GPU 进行张量并行。
推荐理由：该发布详细介绍了一个 126B 参数的 MoE 音频模型（激活参数 6.5B），以及一个 9.3B 的 tiny 变体，为开放音频语言模型的规模与部署提供了具体参考。
Apple 宣布推出 iPhone Duo，这是其首款可折叠 iPhone，拥有迄今最大的 iPhone 显示屏：7.58 英寸内屏，比 iPhone 18 Pro Max 的显示屏大 50%，另有 5.4 英寸外屏，覆盖 iPhone 18 Pro 屏幕面积的 90%。它搭载 A20 Pro 芯片，采用双电池架构，iOS 27 针对可折叠形态进行了重新设计，包括可并排显示 Siri 和 Mail 的分屏视图。由 Apple Intelligence 驱动的 Siri AI 正随 iOS 27 以英文版先行推出测试版，初期不会在欧盟提供；Apple 指出，Siri AI 及其他新的 Apple Intelligence 功能不会在中国提供。
推荐理由：Apple 的首款可折叠 iPhone 将 7.58 英寸内屏与 5.4 英寸外屏和 A20 Pro 芯片搭配，展示了 iOS 27 和 Siri AI 如何适配可折叠形态。
Apple 推出了 Apple HomeView，这是一款 7 英寸 Liquid Retina 智能家居显示屏，集娱乐、FaceTime 通话、家庭监控和免手动自动化于一体，在美国售价 299 美元。该设备通过人脸识别用户以呈现其个人内容，并运行 Siri AI——这是 Siri 的一个新的、更具对话性的版本，在与支持 Apple Intelligence 的 iPhone 或 iPad 配对时可以利用个人上下文。10 月 13 日在澳大利亚、加拿大、印度、新西兰、英国和美国开启预购，11 月 13 日星期五开始发售；Apple 表示 HomeView 不在欧盟销售，因为 Siri AI 目前在当地的 iOS 上不可用。
Apple 发布了第四代 Apple TV 4K，搭载 Siri AI——由下一代 Apple Intelligence 驱动的新版 Siri，提供全屏对话式搜索体验。内置远场麦克风支持免提使用 Siri，配合支持 Apple Intelligence 的 iPhone，该助手可应答个人情境类请求，例如播放朋友推荐过的节目。该设备在美国定价 299 美元，已在美国及其他 29 个国家和地区开启预购，11 月 13 日（周五）起在门店发售；Siri AI 在上市时以测试版形式面向八个英语市场的 Apple TV 4K（第二代及后续机型）提供。
Descript 于 2026 年 10 月 12 日发布的版本新增了覆盖整个云盘的搜索栏，配有完整的结果页面和 Underlord 文件查找功能。企业版云盘现在可以发送异步录制请求，让嘉宾按自己的时间安排录制；AI Speech 迁移至 ElevenLabs v4，语音克隆更准确。付费方案还默认使用 MiniMax H3 Max Turbo 进行 AI 视频生成。
Serve AI 在 LiveKit 上为一位价值 1.5 亿美元的害虫防治客户重建了其电话代理，将 224 个节点的 Retell 流程图压缩为单一提示词，并用 Agent Simulations 进行了验证。约 100 通真实生产通话被转换为模拟场景，在切换前经过 10–15 次迭代达到 98% 的通过率，中位轮次延迟为 1.3 秒，低于 1.5 秒的上限。首次迁移耗时一周，无回滚，遏制率提升了 15%，Serve 估计这每年为客户额外节省 32 万美元。
LiveKit 已向所有 LiveKit Cloud 项目全面开放 Agent Simulations，这是一种在任务层面而非逐轮测试语音智能体的可重复方式。一个由 LLM 驱动的模拟用户会演绎每个场景，在音频模式下还包括附和语和打断，并由一个 LLM 评判员给出带有理由的通过/失败判定；CLI 可以从智能体自身的提示词和工具生成场景。文本运行是默认方式，成本足够低，适合每次拉取请求都运行，而音频运行覆盖完整流水线，更适合夜间或发布前的计划。Simulations 在十月前免费，但它们会以正常费率调用真实智能体的 LLM、STT 和 TTS。
LiveKit 发布了一份面向开发者的对比，比较 Retell、Vapi 和 LiveKit 在构建语音 AI Agent 方面的差异，围绕四个问题展开选择：上线后由谁迭代 Agent、需求超出默认配置时会发生什么、是否必须运行在电话之外、规模化时的成本。Retell 是带可视化编辑器的托管平台，Vapi 是面向开发者的托管平台，通过 API 和仪表盘配置，LiveKit 是 Apache 2.0 开源框架，支持自托管。估算的每分钟综合成本约为：Retell $0.070–$0.310，Vapi $0.070–$0.116，LiveKit $0.037–$0.099。
Vapi 已向所有 Vapi 客户开放其 GPT-Live 测试版，此前上个月曾与 OpenAI 的全双工语音转语音模型进行有限测试。在 Vapi 上，该模型作为说话者运行，处理整个通话，并将查询或操作委托给单独的推理者模型，交接通过两个提示而非一个来控制。现有电话号码、工具、测试和可观测性均保留，转录器配置被移除，语音切换为 OpenAI 的 22 种之一。
Vapi 推出 Personal Agent Calling 测试版，让个人助手可以拨打企业电话、处理电话菜单、进行对话并回报结果。该功能可与 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助手配合使用，用户粘贴一段提示词，将助手指向 phone.vapi.ai。在一次测试中，收入负责人 Bryan Parman 的助手在航空公司等候了 14 分钟，并拒绝了 51.69 美元的升舱费，随后客服代表免除了该费用，并免费确认了一个 Economy Plus 靠过道座位。
Vapi 推出了 Vapi for CX，这是一套用于构建、部署、观测和优化客户体验语音智能体的工具包。它将面向 CX 团队的自然语言 Composer 与可通过 API、CLI 和 MCP 服务器访问的同一配置对象相结合，并提供评估、版本控制、回退方案、通话评分卡，以及跨转录器、模型和语音的每周延迟、成本和质量数据。Vapi 表示，Amazon Ring 在评估了 40 多家供应商后，将其 100% 的呼入量运行在该平台上；Kavak 则能在约五分钟内构建新的智能体版本，NPS 提升了 20 分。
Vapi 产品工程师 Mhar Andal、Scott Lowe 和 Adham El Fawal 在 9 月 22 日的网络研讨会上演示了模型智能、模拟和活动，并回答了构建者的热门问题。模型智能推荐转录器、LLM 和语音预设，并显示成本、延迟和质量指标，而模拟则运行 AI 测试器并给出通过/失败结果，活动可拨打最多 10,000 个联系人的列表。
Vapi 使用 TypeSafe AI 的早期访问“System One”模型 Jev 进行了早期实验，将其作为护栏，在语音助手的回复被说出之前，对其是否违反开发者定义的规则进行评分。在一项早期测试中，Jev 至少捕获了四分之三的违规回复，不过 Vapi 表示这并非 100% 的合规保证，而只是在提示护栏之上的一道额外检查。