LiveKit 讓 Gemini 4 Hydrogen 與 Gemini 3.8 Flash 透過同一個 Google 外掛，在一個工具會故意失敗的語音旅遊禮賓代理中運行，結果 Hydrogen 在 54 份逐字稿中做出 0 次虛假預訂回報，而 3.8 Flash 為 2 次。在 Hydrogen 設為 high、3.8 Flash 設為預設值時，Hydrogen 的第一句話早 1.2 秒出現（4.0 秒對 5.2 秒）；兩者都設為 low 時，則早 1.7 秒（2.8 秒對 4.6 秒）。作者建議語音代理採用 medium 或 high 思考等級，並指出 xhigh 的中位數到第一句話為 7.8 秒，最差情況為 52 秒。
推薦理由：LiveKit 的實測顯示，Gemini 4 Hydrogen 會回報每一次故意損壞的工具呼叫，且比 3.8 Flash 更早開始回覆，並提供語音代理各思考等級的延遲資料。
Apple 發布 HomeView，這款售價 299 美元的家庭裝置可透過臉部辨識最多六人，並在「訊息」、「FaceTime」、「行事曆」、「提醒事項」和「尋找」中顯示他們的個人內容。HomeView 上的 Siri AI 新增螢幕感知能力，並可借助配對的、支援 Apple Intelligence 的 iPhone 或 iPad 取得個人脈絡，在美國、澳洲、加拿大、印度、紐西蘭、新加坡、南非和英國支援英文。今日在澳洲、加拿大、印度、紐西蘭、新加坡、英國和美國開放訂購，而由於 Siri AI 在當地 iOS 上無法使用，該裝置不在歐盟販售。
推薦理由：Apple 首款搭載 Siri AI 的家庭裝置展示了臉部辨識與個人脈絡如何將共享螢幕變成個人化助理。
inclusionAI 發布 Duo-1.0-distill-quant，這是 Duo 1.0 全雙工多模態世界模型的 FP8 量化四步蒸餾 Realization 權重。這些權重會疊加在 inclusionAI/Duo-1.0-causal-base 套件上，該套件提供共用的 Intent、編解碼器、語音模型與 Realization 主幹，且需要支援所封裝 ModelOpt FP8 格式的執行環境。這些權重從 MiniMax H3 初始化，隨後由 Duo 團隊訓練。
inclusionAI 已發布 Duo-1.0-distill，這是 Duo 1.0 的四步蒸餾 Realization 權重；Duo 1.0 是一個用於即時音視訊互動的全雙工多模態世界模型。這些權重以 PyTorch Distributed Checkpoint 疊加層的形式提供，疊加於 inclusionAI/Duo-1.0-causal-base 套件之上，使用 Euler 取樣器、4 步與 flow shift 5.0。這些權重從 MiniMax H3 初始化，隨後由 Duo 團隊訓練。
ElevenLabs 列出七項客戶服務技能——溝通、解決問題、衝突化解、同理心、適應力、個人化與產品知識——人類與 AI 支援專員皆需具備。文中引用 Zendesk 一項研究發現，超過 50% 的客戶在經歷一次糟糕體驗後便轉向競爭對手，並引用 Gartner 的預測：到 2028 年，至少 70% 的客戶將從 AI 介面開始他們的旅程。該指南強調在訓練期間與部署之後評估對話指標，以及無縫轉接給真人以緩和衝突。
Amazon SageMaker AI 雙向串流現支援用量計量，讓模型供應商向 AWS Marketplace 軟體費用回報實際用量，而端點基礎設施費用仍照常收取。Deepgram 為首發合作夥伴，將以用量計價的語音轉文字與文字轉語音計費帶入 AWS Marketplace。此設計新增一條配套的 WebSocket 中繼資料串流，上限為每秒一則訊息、512 位元組，讓供應商能在即時工作階段中傳送增量計量記錄。
ElevenLabs 於 11 月 11 日在紐約高峰會上宣布，永久失去聲音的人現在可以免費使用 ElevenMusic，讓無法再唱歌的藝術家能繼續創作和發行音樂。該計畫與 Songwriters of North America (SONA) 合作推出，由 SONA 負責驗證資格並發放使用權限。
ElevenLabs 在其紐約高峰會上發表了新模型、代理及部署選項，用於其 AI 互動層，包括負責管理輪流發言並將對話各部分路由至較便宜或前沿 LLM 的 Interaction Engine。ElevenAgents 新增 Memory，可為回訪客戶建立結構化紀錄，以及 Routines，這是用於通話前、中、後多步驟工作的自動化層。ElevenLabs 也預覽了 ElevenAI 職場應用程式，今日開放免費早期存取，推出合作夥伴計畫，目前已有 44 個國家超過 550 家合作夥伴，並與 McKinsey 結盟，同時推出 ElevenLabs 市集；NVIDIA 的 Nemotron 3.5 Super VL 現已在 ElevenAgents 中提供，並新增 15 MW 的 Vera Rubin 運算容量。
ElevenLabs 概述了聲音複製如何讓內容創作者只錄製一次簡短樣本，之後便能為影片、播客、課程和社群短片生成旁白，無需再回到錄音室。該指南區分了即時聲音複製（Instant Voice Cloning）與專業聲音複製（Professional Voice Cloning）：前者能從簡短樣本在不到一分鐘內產生複製聲音，後者則以更大的錄音集進行訓練，並包含確認聲音屬於創作者的驗證步驟。指南還列出了選擇標準，包括聲音保真度、語調控制、語言覆蓋範圍、同意保障措施、匯出選項和商業授權。
ElevenLabs 推出 ElevenLabs Marketplace，這是一個精選的產業專屬 AI 與語音應用程式集合，由技術合作夥伴基於其模型打造，首波合作夥伴包括 Salesforce、IBM、NiCE、Twilio 和 Zendesk。企業可以探索金融服務、保險、醫療保健、電信、零售及政府等領域的解決方案，並直接與其背後的合作夥伴聯繫。從明年開始，符合條件的合作夥伴解決方案將可透過現有的 ElevenLabs 承諾購買。
ElevenLabs 與 NVIDIA 擴大了在模型、基礎設施與主權部署方面的合作，將 NVIDIA Nemotron 3.5 Super VL 引入 ElevenAgents 平台。ElevenLabs 計劃在現有 Blackwell Ultra 系統的基礎上新增 15MW 的 NVIDIA Vera Rubin 容量，並利用 NVIDIA Confidential Computing 在本地為波蘭 Centralna e-Rejestracja 預約系統提供語音代理支援。根據 ElevenLabs 的說法，在 ElevenAgents 客戶支援基準測試中，Nemotron 3.5 Super VL 達到了領先的端到端任務完成準確率，成本比其他領先的開源模型低 70%。
McKinsey 與 ElevenLabs 宣布結盟，協助組織先透過初期用例證明對話式 AI 的價值，再推展至整個企業。此合作結合 McKinsey 的產業與轉型專業（包括 QuantumBlack 的 AI 工程能力），以及 ElevenLabs 的前沿對話式 AI 技術與 ElevenAgents 平台。荷蘭電信商 KPN 已在使用這些新的 AI 驅動解決方案，該聯盟也計劃將此做法擴展至保險等服務密集型產業。
ElevenLabs 表示，企業客戶目前貢獻其營收超過 55%，其技術已進入十大科技公司中五家、十大保險公司中五家，以及十大電信公司中四家的日常營運。在紐約峰會上，Ramp、Customers Bank、Banco Inter、Clover Health 與 FOX Sports 等客戶描述了如何運用 ElevenAgents 與 ElevenCreative 於客服代理、新人上手、多語言服務，以及在 FOX Sports App 中打造評論員 Colin Cowherd 的 AI 分身。
Vapi 推出 Agent Loop 早期存取，預計明年初正式推出，這是一款可自我改進的框架，能從單純的提示詞建構語音代理，依據業務目標為每通電話評分，針對未達標之處草擬修正方案，在模擬環境中測試，並先推送給一小部分即時流量，之後再全面推出。此循環運行於 Vapi 的基礎元件上，包括現已可在儀表板使用的 Simulations 與 Traffic Splitting，以及即將推出的 Goals、Call Health 和 Experiments。每個 Agent Loop 代理都是真正的 Vapi 助理，因此工程師仍保有完整的儀表板和 API 存取權限，且任何變更在推出前都須經人工核准。
一位 Sierra 設計師運用 AI，在短短兩週內將 Mossy 這個看得見的聲音從概念推進到正式上線。該專案分享了這位設計師的流程以及過程中累積的心得。
Google 在 Google AI Edge Gallery 中推出裝置端自動語音辨識（ASR）與文字轉語音（TTS），讓應用程式能完全離線執行多語言 ASR 與富表現力的 TTS，並可與 Gemini Nano、Gemma 4 等裝置端 SLM 並行運作。在 Android 上，ML Kit 的新語音模型能以 10 倍即時速度轉錄 100 多種語言，在 FLEURS 上的字錯誤率（WER）為 8.0% 至 9.0%；而少步擴散 TTS 約 100 毫秒即可開始發聲，並以最高 50 倍即時速度生成 24 kHz 音訊。跨平台支援透過 MediaPipe Tasks 與 LiteRT 提供，包含 Parakeet-TDT 0.6B、PocketTTS 100M、Kokoro-82M 與 Phonon 31M 等開放權重套件，並在 XR Language Teacher 展示與語音版 AI Chat 中示範。
推薦理由：Google 為 AI Edge Gallery 加入完全離線的 ASR 與 TTS，ML Kit 回報可 10 倍即時速度轉錄 100 多種語言，擴散 TTS 約 100 毫秒即可開始發聲。
Zyphra 發布 ZONOS3-Mini，這是一款稀疏 MoE 文字轉語音模型，具備 1 億活躍參數與 8 億總參數，採用 Apache 2.0 授權，以 112 張 NVIDIA H100 訓練 2.5 天。它在 Pixel 9 的瀏覽器上可達到低於 570 毫秒的首次音訊延遲，在 M3 MacBook Air 上則低於 150 毫秒，並提供 WebGPU、SGLang、vLLM 與 GGML 的執行環境。該模型新增對身分、口音、品質、情緒與表達方式的控制，包括詞級引導，且 Zyphra 表示它在其新的 ZTTS2-Eval 基準測試中於開源模型裡排名第一。
推薦理由：Zyphra 這款精巧的 MoE TTS 模型將零樣本語音複製與詞級表達控制結合，同時能在手機與筆記型電腦上即時執行。
Meta 在美國率先於行動裝置、網頁與 Mac 版的 Muse 應用中推出即時語音對話與表情虛擬人像。使用者點擊電話圖示即可對話，可打斷回應，並可從數百種語音中選擇，以及使用純語音、虛擬人像或全螢幕模式。語音功能即將登陸 AI Glasses 與 Muse Charm。
推薦理由：Meta 的 Muse 應用現已支援即時語音對話與表情虛擬人像，顯示語音與打斷處理正逐步進入消費級 AI 助理。
Clerk AI 在 LiveKit 的開源框架與全球邊緣網路上運行企業語音與訊息代理，無需預先配置即可處理超過 1,000 個並發語音工作階段。代理回應時間低於 500 毫秒，原生支援 30 多種語言，ScreenSense 來電篩選準確率達 97%，TrueReach 語音信箱偵測準確率超過 98%。該平台對 STT、LLM 與 TTS 供應商保持完整控制權，並持有 SOC 2 Type II 認證，內建 TCPA 合規機制。
Vapi 已推出流量拆分功能，讓團隊可先將 0.1%、1% 或 5% 的來電與去電導向新的代理版本，再決定是否全面切換。過去發布新的助理版本時，100% 的流量會立即導向該版本。此功能包含「黏性」機制，讓重複來電者持續使用同一版本，Vapi 建議先從雙向拆分開始。
Audible 的技術團隊正運用可控文字轉語音技術，讓有聲書角色擁有鮮明且一致的聲音，並以自然語言描述對話該如何呈現作為引導。BookLLM 元件能分析角色特徵並辨識其對話，英文準確率達 97%，西班牙文達 94%；同時，一套合成資料流程以帶字幕的語音訓練模型。在 MUSHRA 測試中，對話區辨度提升了 3.7 分，且在英文與西班牙文測試中，十種聲音裡有八種的聆聽體驗獲得統計上顯著的改善。
Acuity Health 在低程式碼平台被證明過於僵化且不透明後，於 LiveKit 上重建其病患服務語音代理，如今 80% 的來電完全由 AI 代理處理。代理運行於 LiveKit Inference，採用 Gemma 4 31B 模型，多數預約在一分鐘內完成，81% 的預約來電以「謝謝」作結。LiveKit Simulations 會在發布前針對病患檔案測試每項變更，而一次提示詞審查刪減了約 24% 的字詞，仍通過相同的測試情境。
Mistral 發布 Voxtral 3，這是一系列語音轉文字與文字轉語音模型，外加一套建構於 LiveKit 之上的語音代理 SDK，能在單一管線中串流處理聆聽、推理、工具呼叫與說話。Voxtral Small Transcribe 3 涵蓋 50 多種語言，支援語者分離與上下文偏置；Voxtral Mini TTS 3 支援 35 多種語言與 50 多種方言；整套技術堆疊可透過 Mistral 的歐盟託管 API 或自行部署取得。定價方面，批次轉錄每分鐘 0.0035 美元起，TTS 每 100 萬字元 13 美元。
推薦理由：Mistral 的 Voxtral 3 將多語言語音模型與基於 LiveKit 的語音代理 SDK 搭配，為團隊提供可主權部署的即時語音代理選項。
Vapi 於 10 月 8 日在舊金山灣包下一艘遊艇，為艦隊週聚集了 30 多位語音 AI 開發者，活動包含 Deepgram、Kouper Health 與 Coval 的爐邊對談，以及一場技術工作坊。與會者聚焦於 GPT Live 的語音對語音功能，它降低了延遲並帶來流暢的輪替對話，但代價是犧牲了對關鍵詞彙與腳本的細緻控制。討論也涵蓋了附和語、感知延遲，以及平台語音堆疊與自建語音堆疊的取捨。
inclusionAI 發布 Ming-3.0-tts，這是一個開放權重的多語言語音合成系列，包含兩個模型：Ming-3.0-tts-0.5b，一個 0.5B dense 模型；以及 Ming-3.0-tts-tiny，一個建構於 Ling V3 之上的 MoE 模型，總參數 7.9B、活躍參數 1.3B。兩者均附有推論程式碼、任務 cookbook 與基準測試表格，並支援聲音複製、基於文字的語音設計、自由形式的自然語言表達控制、14 個行內副語言標籤、情緒與語速/音高/音量控制，以及中文、英文、德文、西班牙文、法文、韓文、日文、四川話與粵語。在 2026 年 10 月的 Artificial Analysis 文字轉語音排行榜上，Ming-3.0-tts 在 Controlled Voice 項目於開放權重模型中排名第 1，在 Pronunciation Robustness 項目以 93.2% 排名總體第 1，並在 Provider Voice 項目於開放權重模型中排名第 3。
inclusionAI 發布 Ming-3.0-asr-tiny，這是一款語音辨識模型，將 Ling-tiny-v3 語言模型與音訊編碼器搭配，用於中英文轉錄、方言辨識與上下文 ASR。方言評測涵蓋 15 個測試集，包括湖南、閩南、粵語、川渝與上海，並可在提示中提供熱詞或前文對話，以解析人名與技術術語。該儲存庫提供 Transformers 與 SGLang 部署指南，程式碼與權重以 MIT 授權條款釋出。
LiveKit 的指南彙整了解決方案架構師與前線部署工程師的經驗，說明如何讓 AI 語音代理從展示階段走向正式上線，並圍繞三個問題組織：代理是否足夠聰明自然、其效能是否可觀測，以及能否可靠且具成本效益地擴展。指南建議單獨量測第一輪對話，因為有公司發現約四分之三的通話在問候步驟就結束了，並指出客戶從 GPT-4.1 改用 LiveKit Inference 上的 Gemma 4 31B，在 p50 下節省了 300–500ms。
Modal 說明如何在其無伺服器 GPU 上，以開放權重或自訂模型執行 LiveKit Agents，並使用 BitHuman 的開放權重 Expression Video Avatar，搭配 Qwen3-TTS 配音來複製 Charles Frye。此設定透過 Modal Server 對外開放 avatar 容器的 /launch 端點，並使用 Sticky Sessions 讓 WebSocket 用戶端維持在同一個容器上，同時以 GPU 快照隱藏冷啟動。
inclusionAI 發布 Ming-3.0-audio-flash，這是一個 126B 參數的混合專家（MoE）音訊模型，啟動參數為 6.5B，同時推出精簡版 Ming-3.0-audio-tiny，參數為 9.3B、啟動參數 2.7B。flash 模型涵蓋中英文語音辨識，包括方言與嘈雜多說話者場景、長音訊理解、非語音聲音與音樂感知、音訊推理，以及可選合成語音輸出的端到端口語對話。它隨附 vLLM-Omni、SGLang 與 Transformers 推論路徑，採用 MIT 授權，預設 Flash 配置在 128K 上下文下使用四張 80 GB H800 GPU 的張量平行。
推薦理由：此次發布詳細介紹了一個 126B 參數的 MoE 音訊模型，啟動參數為 6.5B，外加一個 9.3B 的 tiny 變體，為開放音訊語言模型的規模與部署提供了具體參考。
Apple 發表 iPhone Duo，這是其首款摺疊式 iPhone，搭載歷來最大的 iPhone 螢幕：7.58 吋內螢幕，比 iPhone 18 Pro Max 的螢幕大 50%，另有 5.4 吋外螢幕，覆蓋 iPhone 18 Pro 螢幕面積的 90%。它採用 A20 Pro 晶片與雙電池架構，iOS 27 也針對摺疊形態重新設計，包括可並排顯示 Siri 與 Mail 的 Split View。由 Apple Intelligence 驅動的 Siri AI 正以 beta 版隨 iOS 27 推出，先提供英文版，初期不會在歐盟提供；Apple 指出，Siri AI 與其他新的 Apple Intelligence 功能將不會在中國提供。
推薦理由：Apple 首款摺疊式 iPhone 結合 7.58 吋內螢幕、5.4 吋外螢幕與 A20 Pro 晶片，展示 iOS 27 與 Siri AI 如何配合摺疊形態作出調整。
Apple 推出 Apple HomeView，一款 7 吋 Liquid Retina 智慧家庭顯示器，整合娛樂、FaceTime 通話、居家監控與免持自動化功能，美國售價 299 美元。該裝置透過臉部辨識使用者以顯示其個人化內容，並搭載 Siri AI，這是 Siri 全新且更具對話性的版本，在搭配支援 Apple Intelligence 的 iPhone 或 iPad 時，可運用個人化情境資訊。預購於 10 月 13 日在澳洲、加拿大、印度、紐西蘭、英國與美國開放，11 月 13 日星期五起正式上市；Apple 表示 HomeView 不在歐盟販售，因為 Siri AI 目前尚未在當地的 iOS 上提供。
Apple 宣布推出第四代 Apple TV 4K，搭載 Siri AI，這是全新版本的 Siri，由新一代 Apple Intelligence 驅動，提供全螢幕對話式搜尋體驗。內建遠場麥克風讓使用者能免持使用 Siri，而搭配支援 Apple Intelligence 的 iPhone 時，助理還能回答個人情境相關的請求，例如播放朋友推薦的節目。該裝置在美國售價為 $299，於美國及其他 29 個國家和地區開放預購，並自 11 月 13 日星期五起於門市販售；Siri AI 在上市時以 beta 版形式於八個英語市場的 Apple TV 4K（第二代或後續機型）上提供。
Descript 於 2026 年 10 月 12 日發布的版本新增了涵蓋整個硬碟的搜尋列，並提供完整結果頁面與 Underlord 檔案尋找功能。企業版硬碟現在可以發送非同步錄音請求，讓嘉賓按自己的時間安排錄音；AI Speech 則改用 ElevenLabs v4，以獲得更準確的聲音克隆。付費方案也預設使用 MiniMax H3 Max Turbo 進行 AI 影片生成。
Serve AI 在 LiveKit 上為一位價值 1.5 億美元的害蟲防治客戶重建了其電話代理，將一個 224 節點的 Retell 流程圖壓縮為單一提示詞，並用 Agent Simulations 進行驗證。約 100 通真實生產通話被轉化為模擬場景，在切換前經過 10–15 次迭代達到 98% 的通過率，中位輪次延遲為 1.3 秒，低於 1.5 秒的上限。首次遷移耗時一週，沒有回滾，遏制率提升了 15%，Serve 估計這每年為客戶額外節省 32 萬美元。
LiveKit 已將 Agent Simulations 正式開放給所有 LiveKit Cloud 專案使用，這是一種可重複執行的方式，能在任務層級測試語音代理，而非逐輪對話測試。由 LLM 驅動的模擬使用者會演出每個情境，在音訊模式下包含附和語與打斷；並由 LLM 評審給出通過／不通過的判定與理由；CLI 可根據代理自身的提示詞與工具生成情境。文字執行是預設模式，成本低到足以在每次 pull request 時執行；音訊執行則涵蓋完整流程，更適合安排在夜間或發佈前執行。Simulations 在十月前免費，不過它們會以正常費率呼叫真實代理的 LLM、STT 與 TTS。
LiveKit 發布了一份以開發者為中心的比較，針對建構語音 AI 代理比較 Retell、Vapi 與 LiveKit，並以四個問題界定選擇：上線後由誰迭代代理、需求超出預設範圍時會發生什麼、是否必須在電話通話之外運行，以及規模化時的成本。Retell 是具備視覺化編輯器的託管平台，Vapi 是透過 API 與儀表板配置、面向開發者的託管平台，LiveKit 則是 Apache 2.0 開源框架，支援自架。預估每分鐘總成本約為 Retell $0.070–$0.310、Vapi $0.070–$0.116、LiveKit $0.037–$0.099。
Vapi 已向所有 Vapi 客戶開放其 GPT-Live 測試版，此前該公司上月與 OpenAI 的全雙工語音轉語音模型進行了有限測試。在 Vapi 上，該模型作為說話者運行，處理整通電話，並將查詢或操作委派給獨立的推理者模型，交接透過兩個提示而非一個提示來控制。現有電話號碼、工具、測試與可觀測性均可沿用，轉錄器配置被移除，語音切換為 OpenAI 的 22 種之一。
Vapi 推出 Personal Agent Calling 測試版，讓個人助理撥打電話給企業、操作電話選單、進行對話，並回報結果。此功能支援 Muse、Instinct、GrokBot、ChatGPT Work、Claude Code、OpenClaw 和 Hermes 等助理，使用者只需貼上一段提示詞，引導助理前往 phone.vapi.ai。在一次測試中，營收主管 Bryan Parman 的助理與航空公司通話時等候了 14 分鐘，並拒絕了 51.69 美元的升等費用，隨後客服人員免除該費用，並免費確認了一個 Economy Plus 走道座位。
Vapi 推出 Vapi for CX，這是一套用於建置、部署、觀測與最佳化客戶體驗語音代理的工具包。它結合了供 CX 團隊使用的自然語言 Composer，以及可透過 API、CLI 和 MCP 伺服器存取的同一個設定物件，另外還包含評估、版本控制、備援方案、通話評分卡，以及跨轉錄器、模型和語音的每週延遲、成本與品質資料。Vapi 表示，Amazon Ring 在評估超過 40 家供應商後，將其 100% 的來電量運行於該平台上；Kavak 則能在約五分鐘內建置新的代理版本，NPS 提升了 20 點。
Vapi 產品工程師 Mhar Andal、Scott Lowe 與 Adham El Fawal 在 9 月 22 日的網路研討會中示範了模型智慧、模擬與活動，並回答開發者的熱門問題。模型智慧會推薦轉錄器、LLM 與語音預設，並顯示成本、延遲與品質指標；模擬則以 AI 測試器執行並提供通過／失敗結果；活動可撥打最多 10,000 筆聯絡人的名單。