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。
Fish Audio 发布了 Live 3，这是一款面向实时语音代理的全双工语音模型，它在说话的同时保持聆听，并从真实人类对话中学习轮流发言，而非依赖手工调校的流水线规则。Fish Audio 表示，对于“mm-hmm”这类简短反应，它最快可在 186 毫秒内决定回应，但该数字只是小型反应的下限，并非完整回复的首个音频时间，且尚未公布基准测试分数。Live 3 运行于 Fish Agent Platform（公开测试版）、Fish Audio API 以及面向企业的本地部署，定价为每分钟 0.035 美元，直至 2026 年 12 月 31 日，而标价为 0.07 美元，且仅支持英语。
Meta的消费级AI智能体Muse现在可以代表用户致电美国企业，但该功能仅限美国付费订阅用户使用。Muse套餐起价为每月20美元、每周5亿token，或每月100美元、30亿token。Meta首席AI官Alexandr Wang表示，该功能针对人们不想打的电话，例如保险、有线电视、车管所或晚餐预订，Muse邮箱地址选项也将很快向免费用户推出。
Liquid AI 发布了 LiquidCodec，这是一个约 7400 万参数的流式语音分词器，为其 LFM3-Audio-2B 和 LFM3-Omni-2B 模型提供支持，权重已发布在 Hugging Face 上。该编解码器将 24 kHz 音频压缩为 12 个 token 流，帧率为 12.5 Hz，并可在单个 CPU 线程上运行，Liquid AI 报告其编码速度约为实时的 361 倍，解码速度约为实时的 87 倍。Liquid AI 表示，在所有 8 个测试集上，其在 ViSQOL 和梅尔距离指标上均优于 X-Codec 2、NanoCodec 和 Mimi，不过 NanoCodec 仍在 8 个测试集中的 7 个上领先 PESQ (WB)。
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 发布了两款语音转文字模型：用于预录音频的 Scribe v3 和用于低延迟实时场景的 Scribe v3 Live，二者均可通过 ElevenAPI 开发者接口和 ElevenAgents 平台使用。该公司称，Scribe v3 在 102 种语言上将词错误率较前代降低约 25%，而 Scribe v3 Live 利用对话上下文判断说话人是否真正说完，而非依赖停顿计时器。Artificial Analysis 的独立基准测试将 Scribe v3 列为最准确的转录模型之一，仅次于阿里巴巴的一款预览模型，但显示其在速度上落后，定价为每 1,000 分钟 3.33 美元。
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。
Adobe在其年度Max大会上宣布了多项实验性AI工具，包括通过对话指导AI角色的Project Screen Test、将平面图像转换为可导航3D场景的Project Sight Span，以及在方形声音画布上混合音效的Project Sound Bender。Project Rinse Repeat使用原生Photoshop工具复制编辑操作，并将其应用到同一照片中的其他对象上。这些“sneaks”属于技术预览，最终可能进入Creative Cloud或Firefly，但不保证一定发布。
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。