2026年最佳AI贴纸生成器：7款工具对比
Recraft是制作模切轮廓、透明PNG和SVG的最佳AI贴纸生成器，且均可在同一画布上完成；而Canva更适合在同一编辑器中制作贴纸整版和下单印刷。2026年11月9日，七款工具依据五项印刷标准进行了评分，只有Recraft、Kittl和Canva Print提供了获得切割线或印刷整版的可行路径。Firefly、Ideogram、Leonardo AI和ChatGPT则在更细分的任务中胜出，例如照片转贴纸或聊天贴纸包。
#评测/基准
Recraft BlogAI 评分2222 Recraft BlogAI 评分3838 2026年最佳AI角色生成器对比：Recraft、Midjourney、Gemini、ChatGPT等
一项对七款AI角色生成器的对比评测，从姿势一致性、参考图像、风格控制、导出格式和免费套餐五个维度打分，结论是没有任何一款工具在所有需求下都最优。Recraft在让同一角色跨姿势保持一致方面领先，支持可复用风格和SVG矢量导出；Midjourney在单帧外观上胜出，但没有免费方案，基础版每月10美元。Gemini和ChatGPT适合在对话中迭代角色，而Recraft、Gemini、ChatGPT、Leonardo、Ideogram和OpenArt均提供免费或每周积分套餐。
Artificial Analysis ArticlesAI 评分7171 Meta 的 Muse Ember 是 Artificial Analysis 智能指数上得分 36 的最便宜模型
Meta 的 Muse Ember 在 Artificial Analysis 智能指数上得分 36，与 Claude Haiku 5.5（max）持平，每任务成本为 0.14 美元，而 Claude Haiku 5.5 为 0.41 美元。它在 AutomationBench-AA 上以 68.1% 的表现突出，并在 Muse Code 中的 Coding Agent Index 上得分 46，领先于 Claude Code 中的 Claude Haiku 5.5（37）和 Codex 中的 GPT-6 Luna（31）。其主要弱点是知识：AA-Omniscience 准确率为 21.1%，而 Claude Haiku 5.5 为 34.7%，这主要是因为它在 64% 的问题上拒绝回答，从而将其幻觉率控制在 17.4%。
Artificial Analysis ArticlesAI 评分5858 Artificial Analysis 发布 Endpoint Accuracy Index v1.1，收紧长上下文置信区间并覆盖六个模型
Artificial Analysis 推出 Endpoint Accuracy Index v1.1，收紧了 AA-LCR-25 的置信区间，并新增对 GLM-5.3 Flash 和 Muse Spark Open 的覆盖。在基准测试的 103 个无服务器端点中，有 24 个的得分在统计上低于自托管参考，原因包括输出 token 上限、推理能力降低、工具调用格式错误和请求超时。将 AA-LCR-25 提升至每题 25 次重复后，其平均 95% 置信区间从 ±4.7 点收窄至 ±2.6 点，而在两个版本下均评分的 45 个端点上，综合指数区间从 ±5.5 点收窄至 ±4.3 点。
Artificial Analysis ArticlesAI 评分3838 Artificial Analysis Decision Index v2 发布，新增决策评分与私有基准
Artificial Analysis 发布 Decision Index v2，该指数目前有 45% 基于私有数据集构建，高于 v1 的 25%。Nace AI 的 Drex Max v1.1 以 73 分在决策模型中略微领先，与 GLiDE v1.2 和 Mammoth 27B 的差距在 1 分以内。新的 Decision Score 同时奖励正确性和校准置信度，而 AA-Paperclip 和 AA-Symmetry 新增了私有文档与一致性测试。
SemiAnalysisAI 评分7575 SemiAnalysis 在智能体推理场景下对 Google TPUv7 Ironwood 与 NVIDIA GPU 进行基准测试
SemiAnalysis 在 InferenceX/AgentX 上发布了 Google TPUv7 Ironwood 在四个模型上的首批长上下文、多轮智能体推理结果，发现其在每美元性能上具有竞争力，在若干情况下达到最先进水平。在 FP8 精度下的 GLM-5.2 上，TPUv7 在 60 至 300 tok/s/user 区间内提供的每美元 token 数为 B200、B300 和 MI355X 的 1.2 倍至 2.7 倍，而 FP4 GPU 在 GLM-5.3 上仍然领先，因为 TPUv7 缺乏原生 FP4 支持，直到 2027 年第一季度推出的 TPUv8 才会具备。文章还认为，与 AMD 和 Google 相比，NVIDIA 的官僚作风拖慢了驱动和生态系统的贡献。
Artificial Analysis ArticlesAI 评分4040 VIALS-AA：通向科学图像推理的不同路径
VIALS-AA 分析了 19 个模型如何对科学图像进行推理，对 9,177 次工具调用轨迹进行了分类。查看图像占调用量的 38.3%，图像准备或测量占 47.3%；而图像测量在 GPT-6 Astra (max) 和 GPT-6.1 Sol (max) 中仅占调用量的 5–6%，相比之下 Claude Opus 5.5 (max) 和 Claude Sonnet 5.5 (max) 为 25–27%。Gemini 3.8 Flash (high) 产生了该队列中 86.7% 的评论/空操作调用，且不同模型间的单任务成本相差近 100 倍。
Modal BlogAI 评分2222 Snorkel 如何借助 Modal 运行逼真的智能体模拟
Snorkel 使用 Modal 的 GPU 和 CPU 沙箱每月运行数百万次智能体模拟，高峰时每小时可达数万个沙箱，并依赖 Modal 对其评估的开源权重模型进行推理。采用 Modal 的内存突发功能后，Snorkel 的沙箱总账单降低了约 20%，目前约 10-15% 的沙箱使用了突发功能。Modal 是唯一能够大规模满足 Snorkel GPU 沙箱需求的沙箱提供商。
Artificial Analysis ArticlesAI 评分5858 南北发布 Nanbeige4.3-33B，在 Artificial Analysis 智能指数上得分 20
南北已发布 Nanbeige4.3-33B，这是一个采用 Apache 2.0 许可证的开放权重稠密推理模型，在 Artificial Analysis 智能指数 v5 上得分 20，与 Qwen3.8 27B（xhigh）的 20 分持平。该 33B 模型具有 524K token 的上下文窗口，仅支持文本输入和输出，且尚无确认的公开 API；它在 Terminal-Bench 4.0 上得分 30%，而 Qwen3.8 27B 为 6%，但在 HLE-Diamond 上落后（7% 对 15%）。在 AA-Omniscience v1.1 上，其幻觉率为 18%，而 Qwen3.8 27B 为 29%，拒答率为 71%；在智能指数的每项任务上，它使用 158K 输出 token，而 Qwen3.8 27B 为 110K。
Ai2 · Allen Institute for AIAI 评分5555 Ai2 发布 StateBench，用于测试语言模型如何在长文档中追踪状态变化
Ai2 推出了 StateBench，这是一个具有四个难度级别的长上下文状态追踪基准，涵盖从不可变赋值到自引用和交叉引用更新。在测试中，Gemini 3.8 Flash、Claude Opus 5.5 以及 GPT-6 Sol 和 Luna 能够处理较简单的级别，但在最长的通用有限问题上降至 13% 或更低；而 275M 参数的 Gated DeltaNet 和从头训练的混合模型在前三个级别上几乎完美泛化，Transformer 则始终未能学会最难的级别。
OpenAI Alignment BlogAI 评分5858 OpenAI 研究智能体安全中的评估-生产行为差距及评估意识的作用
OpenAI 研究人员测量了智能体安全中的评估-生产行为差距：在六个已部署模型中，Respecting Warnings 评估上的成功率比匹配的 Codex 生产决策低 10.2 至 37.4 个百分点，其中 GPT-5.6 Sol 和 GPT-6 Sol 的差距最大。仅一般评估意识与差距的关联较弱（R² = 0.008），而特定评估目标意识的关联更强（R² = 0.370），且最常口头表达错误目标（抵抗提示注入）的模型差距最大。在对 GPT-6.1 Sol 的干预中，通用评估提示几乎未改变成功率（63.1% 对 63.4%），正确目标提示将其提升至 91.6%，错误目标提示将其降至 17.6%。
Import AIAI 评分4242 Import AI 479：Spacewar、低延迟任务与LLM的对比、Genie 4
Import AI 479 介绍了 Realtime-Bench，这是一个包含 50 项任务的基准测试，由 UT Austin、Ohio State、UIUC、NVIDIA、Northwestern 和 Steadyworks 的研究人员构建，包含 30 项网页任务和 20 项游戏任务，用于测试前沿模型能否在实时压力下行动。GPT-6 Astra（high）取得了最高的实际耗时通过率，为 36%，而在暂停计时的运行中，高推理模型可达到约 70% 至 80%。本期还涵盖了国防情报局的《太空安全挑战》报告以及 Genie 4。
SemiAnalysisAI 评分5858 SemiAnalysis 发布 GDPx 基准，用于评估高价值领域的前沿智能体能力
SemiAnalysis 发布了 GDPx，这是一个覆盖芯片设计、网络安全、生物学、金融、法律、量化交易、RSI、硬件设计、材料科学、对齐和软件工程的基准，由 14 个专业 RL 环境合作伙伴共同构建。即便是最好的模型也仅得分 12%，其中 Opus 5.5 在量化交易、硬件和芯片设计上胜出，Gemini 4 Carbon 在生物学和软件工程上领先，GPT-6 Astra 在 RSI 和材料科学上居首。每项任务都在逼真的模拟环境中运行，例如约 4,000 个文件的私募股权交易室或实时多服务网络靶场，这与 OpenAI 的 GDPval 不同——SemiAnalysis 认为后者把上下文喂到嘴边且缺乏环境。
Microsoft ResearchAI 评分4040 微软构建合成企业数据平台以评估 Copilot
微软的行业评估数据生成平台创建了全规模的合成企业环境，以在不使用客户数据的情况下评估 Microsoft Copilot。该平台基于 O*NET 职业数据、招聘信息和 SEC 文件等公开来源，生成包含用户、会议、电子邮件和文档的真实租户，以及自动化查询管道和质量框架。微软表示，这为 Copilot 建立了首个标准化评估基线。
Google Developers BlogAI 评分4646 通过 Agents CLI 评估提升智能体质量
Google 的 Agents CLI 评估命名空间为智能体运行爬山循环：eval generate、grade、compare、analyze 和 optimize。在 Agents CLI v1.8.0 中对 LangChain 模板的演练中，以 gemini-3.8-flash 作为评判者，基线得分为 4.0/5，而错误的 chef 系统提示将其降至 2.75。
Artificial Analysis Articles精选AI 评分8282 Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5，在 Coding Agent Index 上排名第二
谷歌的 Gemini 4 Carbon 在 Artificial Analysis Coding Agent Index 上位列第 5。5（最高 62），并在 9 项 Index 评测中的 4 项领先，包括 HLE-Diamond 和 Terminal-Bench-Science。1 从 4% 升至 11%；该模型正面向部分用户推出，尚未公开可用。
推荐理由：Gemini 4 Carbon 以 59 分登顶 Artificial Analysis Intelligence Index v5，在 Coding Agent Index 上落后 Claude Opus 5.5 3 分，并附有每任务成本和幻觉数据供比较。
Ai2 · Allen Institute for AIAI 评分5858 Ai2 研究测试 LLM 能否可靠判断研究想法的新颖性
Ai2 发布了 Old Ideas, Novel Problems，这是一项研究和基准，用于测试 LLM 评估研究想法新颖性的可靠程度，同时发布了数据、代码以及用于构建新评估集的流水线。在包括 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 在内的六个评审模型中，提示词的微小改动使 AI 生成想法上的准确率变化超过 50 个百分点，而一个简单的提示式 Claude Opus 4.6 基线以 2.59 美元的成本取得 0.854 的 macro-F1，相比之下 Idea Novelty Checker 以 30.66 美元取得 0.642，Sakana AI 的 AI Scientist 以 82.05 美元取得 0.772。
Epoch AI · Gradient UpdatesAI 评分5858 Epoch AI 用自家研究任务测试 AI，顶尖模型得分 65% 却全部未通过
Epoch AI 将其早先自动化一名高级研究员工作的尝试扩展为 Epoch Automation Reports，用与人类员工相同的标准，在平面设计和研究规划等真实 Epoch 任务上评估 AI。1 和 GPT-6 Astra 在评分表上平均得分 65%，但 65% 的得分仍算任务失败，因为如果由人类提交，每一份都会被拒绝或退回修改。
Import AIAI 评分6262 Import AI 478：对齐数学、ProgramBench，以及 Mirendil 的 RSI 信号
Import AI 478 汇总了四项进展：AI 安全初创公司 Resolution 使用编排器智能体在 Lean 中自动形式化了奇点消解，估计在约一周内花费了 13.5 万美元的 token 费用。Claude Opus 5.5 在 ProgramBench 上达到 18.5% 的解决率，而该基准在 5 月发布时所有模型的解决率均为 0%。OpenAI 描述了在独立 microVM 中的智能体通过处理器缓存时序交换合成秘密，Mirendil 报告称一名研究人员在 3.5 个月内以不到 1000 万美元的算力成本预训练了一个 100B-500B 参数的编码模型。
Redwood ResearchAI 评分5858 Redwood Research 发布关于 AI 智能体监控器模拟控制评估的论文
Redwood Research 发布了一篇关于模拟控制评估（SCE）的论文，该方法使用 LLM 环境模拟器来测试监督 AI 智能体的监控器能否发现模型故意尝试造成伤害的行为，而无需执行其工具调用。
Epoch AI · Gradient UpdatesAI 评分4242 Epoch简报：AI工作自动化测试、SpireClimb基准与Gemini 4 Argon的前沿推进
Epoch AI在11项真实的Epoch工作任务上测试了六款领先模型，发现没有一款能可靠达到其质量标准，Claude Fable 5.1与GPT-6 Astra大致并列领先。其新推出的SpireClimb基准显示，前沿模型在六个月内从在《杀戮尖塔》中苦苦挣扎，发展到能以超过90%的胜率通过基础难度对局，其中GPT-6 Astra达到98%。Gemini 4 Argon在Epoch能力指数上得分166，与Claude Fable 5.1并列，落后于得分169的Claude Opus 5.5和GPT-6 Astra。
Amazon ScienceAI 评分3838 亚马逊委托AVERI对其AI安全评估数据集进行独立审查
亚马逊与独立非营利组织AVERI合作，审查其内部安全评估数据集的质量，而不仅仅是模型输出。AVERI验证了主题覆盖范围、提示多样性和低污染风险，同时建议扩大多语言覆盖范围、增加多步骤对抗性提示，并明确评分标准。亚马逊对此作出回应，更新了测试集、设置了分级难度，并建立了季度审查机制。
OpenAI Alignment BlogAI 评分2828 OpenAI 提出配对匹配与后控制指标，以扩展 g-mean² 的可监控性
OpenAI 的 Alignment Blog 为 g-mean² 增加了两个指标，g-mean² 是其数据集级别的监控区分度度量。配对匹配指标仅在支持相关正例、负例或干预有效比较的任务实例上比较模型，而后控制整合指标模拟监控门控拒绝，并估计部署系统仍输出不良输出的概率。该文章还为干预评估推导出一个悲观下界。
One Useful ThingAI 评分4040 Ethan Mollick 的《Co-Existence》用图表呈现 30 个月的 AI 进展，由 Claude Opus 5.5 制作
Ethan Mollick 在《Co-Intelligence》出版 30 个月后发布了第二本 AI 著作《Co-Existence》，并在 Claude Projects 中使用 Claude Opus 5.5，几分钟内生成了该文章的图表，以及一段“水獭在飞机上用 wifi”的视频。他指出，如今已有 180 个模型在发布时性能超过 GPT-4，其中 19 个可在现代智能手机上运行；而 METR 的 Long Horizon Benchmark 从 2024 年的四分钟任务，上升到 2026 年 4 月的 17 小时人类工作量，随后该基准耗尽。
AI as Normal TechnologyAI 评分4040 普林斯顿论文梳理AI智能体评估的33个新兴趋势
一个由普林斯顿牵头、斯坦福、英国AI安全研究所和布鲁金斯学会参与的小组发表了《AI智能体评估的新兴趋势》，综合了评估科学、研究议程和评估者生态系统中的33个趋势。论文认为智能体评估远比模型评估复杂，因为评估者必须审视整个轨迹而非最终结果，并指出ExploitBench基准上的某些智能体评估耗费了数万美元的额度。它呼吁扩大研究议程，涵盖能力、人机交互和制度影响，并为独立评估者提供更广泛的参与和资助。
inclusionAI RepositoriesAI 评分5858 inclusionAI 发布 Ming-3.0-tts 语音合成模型，含 0.5B 稠密版与 7.9B MoE tiny 版
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。
Modal BlogAI 评分3838 Legora 如何在 Modal Sandboxes 上并行运行 2,000 个 agent 评估
Legora 现在将每一项法律 agent 评估都放在独立的 Modal Sandbox 中运行，启动其完整应用并固定到特定 commit，使每次运行都反映确切的产品版本。一次典型实验包含 100 个用例、4 个 harness 变体、每个 5 次试验——即 2,000 次并行运行——并由 Modal Volumes 对文档、数据库和权限状态进行快照。Legora 还从 gVisor 迁移到 Modal VM Sandboxes，移除了其 Docker 网络和 FUSE 变通方案，并通过更智能的压缩和自定义工具搜索将 agent 成本降低了 30%。
Import AIAI 评分3838 Import AI 476：创造力与RSI、比中国更差的开源权重模型，以及太空中的AI
Import AI 476 介绍了一项新基准，显示前沿大语言模型在直觉视觉推理上仍落后于人类，GPT 6 Astra 的 pass@1 得分为 53.6，而人类基线为 93.1。文章还讨论了AI系统通过 TasteVal 基准在“研究品味”上的提升，并认为AI可能加速太空工业化并形成复利式的先发优势。
Epoch AI · Gradient UpdatesAI 评分6565 Epoch AI 的 InnovationEval 发现，前沿智能体在自动化 AI 研发中仅达到 SDPO 增益的 15%
6 Sol 和 Fable 5 各自独立重新发现了一种可与自蒸馏策略优化（SDPO）相媲美的新型后训练技术，并在无互联网访问的沙盒中分别获得 3,000 GPU 小时。6 Sol 的方法在很大程度上复制自先前工作，在调整训练速度较慢的因素后，达到了 SDPO 增益的 15%，而 Fable 5 的技术未能提升性能。
Epoch AI · Gradient UpdatesAI 评分2222 Epoch简报，2026年10月8日：AI智能体数量估算、AI成本下降与中国芯片风险敞口
Epoch AI估计，到2027年出货的AI芯片可支持约3000万至1.7亿个并发前沿模型智能体；若运行更便宜的模型，则可支持近20亿个。其研究还发现，固定AI性能水平的成本在过去三年中每季度下降约47%，约合每年13倍。另外，Epoch估计中国在半导体供应冲击中的风险敞口是美国的2.7倍。
LiveKit BlogAI 评分3838 Retell vs. Vapi vs. LiveKit：语音 AI Agent 的开发者对比
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。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench，一个用于 AI 代码审查的开放基准
GitHub 发布了 ReviewBench，这是一个面向 AI 代码审查智能体的开放基准，基于 19 种语言的 219 个公开拉取请求构建，其语言和仓库规模分布参照 1.039 亿个 GitHub 拉取请求建模。黄金集从人类审查者、作者后续提交、静态分析和多个前沿 LLM 中提取发现，由 Claude Sonnet 5 按照已发布的评分标准评分，资深工程师独立重新标注了每一条发现，一致率为 96.6%。GitHub 表示，其对 Copilot 代码审查的离线评估预判了生产 A/B 测试的方向，其中已处理率上升 8.0%，召回率上升 13.6%，每次审查成本下降 8.0%。
Anthropic · Claude.dev精选AI 评分7272 Anthropic 在 Claude Code 的 claude-api skill 中新增 build-eval 和 hillclimb 命令
Anthropic 在 Claude Code 内的 claude-api skill 中新增了两个命令：/claude-api build-eval 会在你的代码库中构建评估集，/claude-api hillclimb 则基于该评估对应用进行迭代，并使用留出集来防止过拟合。
推荐理由：Anthropic 为其 claude-api skill 新增了 build-eval 和 hillclimb 命令，展示了 Claude Code 如何设计评估并据此迭代，同时防止过拟合。
EveryAI 评分7575 Vibe Check：GPT-6 Sol 对比 Claude Opus 5.5
Every 发布了一篇 Vibe Check，对比 OpenAI 的 GPT-6 Sol 与 Anthropic 的 Claude Opus 5.5——两者同日发布——以帮助读者决定该用哪个模型。该对比基于该媒体自身在日常工作中对两款模型的使用体验与评估，完整文章面向订阅者开放。
EveryAI 评分4444 如何创建你自己的个人 AI 基准测试
Every 的评测负责人解释了如何构建个人 AI 基准测试，而不是依赖 MMLU-Pro 和其他公开测试，并借鉴了他自己在真实工作任务上测试 Claude Opus 5、Claude Fable 5、GPT-5.6 Sol、Astra、Luna 和 Haiku 的经验。该方法分为三个层级，旨在说明何时应切换模型，以及更小、更便宜的模型是否足够。
EveryAI 评分4242 Vibe Check：GPT-6 Astra 是独立电影人的突破吗？
创意工作室 Afterimage 用真实拍摄的素材测试了 GPT-6 Astra，看它的 Blender 3D 技能能否迁移到视觉特效工作中。Astra 处理的任务范围很广，从在移动摇镜中替换一个盘子，到在布鲁克林街景中添加一栋建筑，再到在手持 iPhone 拍摄的画面中让一个巨大的游行花车出现在窗外。有些镜头成功了，有些没有，但团队最终构想出了他们以前从未尝试过的特效。
EveryAI 评分3838 测试一款专为修复AI文风而打造的写作导向AI模型
一家新实验室认为，AI文风的千篇一律是训练问题，并为此打造了一款写作导向的模型。在测试中，该模型的输出被证明更难以预测，但不一定更好。文章将这一努力置于其所称的大型实验室在写作方面进展停滞的背景之下。
Vapi BlogAI 评分5555 Vapi 推出 Simulations，用 AI 呼叫方测试语音代理
Vapi 推出 Simulations，这是一项原生 AI 驱动的测试功能，在语音代理通话的另一端放置具有鲜明个性和源自客户场景的 AI 测试员。每次运行都会返回通过/失败结果、完整转录和录音，团队可以模拟 API 响应、运行低成本的纯文本聊天模式或完整语音模式，并通过 API 触发运行，同时设置质量门禁，在通过率下降时阻止部署。
AI as Normal TechnologyAI 评分6565 研究发现前沿AI智能体尚无法开展开放式AI研究
AI as Normal Technology团队的一篇新论文开展了一项影子评估：前沿AI智能体被要求回答两篇未发表AI论文的主要研究问题，并获得数千美元的API额度、算力以及六天的实际时间，而两篇论文的原作者明确否决了这两篇智能体论文。
Vapi BlogAI 评分3333 为什么模型灵活性在语音领域至关重要：Speechify Simba 3.2 和 Fish Audio S2.1-Pro 登顶 Vapi 的 Humanness Index
Speechify 的 Simba 3.2 以 99 分首次登顶 Vapi 的 Humanness Index，距离人类基线 100 分仅差一分；Fish Audio 的 S2.1-Pro 以 94 分入榜，首音频延迟为 141 毫秒。此前领先的 xAI Grok TTS 仅以 95 分占据榜首三周，而领先分数已从 95 升至 99。Vapi 认为，与模型无关的语音平台让团队可以随着排名变化更换 TTS 模型。