Block 发布语音模型 Dessa，可本地运行并带笑声与停顿
Block 研究实验室发布语音模型 Dessa，完全基于人类语音训练，可在单张 NVIDIA GPU 上运行，并支持全双工对话，即边听边说。该模型能表现笑声、停顿和哭腔等情绪，官方称可在 MacBook M4 Max 或更高配置的消费级电脑上本地运行。目前 Dessa 尚未公开开放，Block 正在招募安全研究人员进行测试。
#语音
TechCrunch · AIAI 评分6767
The DecoderAI 评分5858 Block 发布纯语音训练的 AI 模型 Dessa，可实时识别情绪与讽刺
Block 发布语音模型 Dessa，称其是首个完全用人类语音、不含任何文本数据从零训练的 AI 模型，直接以音频处理语音，可实时捕捉情绪、讽刺、笑声和停顿，并支持全双工同时听说。该模型可在 MacBook Pro M4 Max 上本地运行，训练使用单台 NVIDIA GB200 NVL72。Dessa 尚未公开，团队正招募 AI 安全研究者测试其意外风险，感兴趣者可通过表单报名。
The Verge · AIAI 评分5858 Block 发布语音对话模型 Dessa，仅用人类对话训练
Jack Dorsey 旗下 Block 发布 AI 模型 Dessa，该模型完全基于人类对话从零训练，是端到端的语音到语音模型。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行，官网展示了猜谜游戏、聊电影等对话片段，其中部分回应略显生硬。团队称开发动机是好奇心、改善人与 AI 的理解以及安全，将向一小批 AI 安全研究者开放早期访问。
AWS Machine Learning BlogAI 评分4242 Amazon Polly Generative engine 重大升级：新增 14 种语音、支持印地语和芬兰语
Amazon Polly Generative engine 完成重大升级并正式可用，语音更自然准确，新增 14 种语音、覆盖 9 个 locale，印地语和芬兰语首次在生成式引擎上正式可用。
AWS Machine Learning BlogAI 评分5050 在 Amazon SageMaker AI 上用 Kokoro TTS 为 AI 智能体流式输出低延迟语音
在 Amazon SageMaker AI 的实时端点上托管 Kokoro-82M 语音合成模型，把 AI 智能体生成的每个句子即时送入合成，让音频在完整回复生成前就开始播放。
AWS Machine Learning BlogAI 评分3636 别再猜 Amazon SageMaker AI 上 TTS 的自动扩缩容目标值
针对 Amazon SageMaker AI 上自托管 TTS 端点自动扩缩容目标值靠猜的问题，该方案将 82M 参数的 Kokoro-82M 以自定义容器部署在实时端点上，用实测的单实例并发上限 Q_max 和端到端扩容耗时 T_total 通过算术推导出扩容阈值、缩容阈值与两个冷却时间。
The Verge · AIAI 评分3535 Google 将对话式 Gemini 导航引入 Apple CarPlay
Google 面向美国 Apple CarPlay 用户上线 Google Maps 中的对话式 Gemini 导航，并称全球推送也在进行中。用户可点击车机屏幕上的 Gemini 图标，用语音提出多步骤问题，例如先询问推荐地点再让其规划避开收费路线的导航。此次更新未提及昨日为 Android Auto 和内置 Google 汽车发布的 Personal Intelligence 功能。
Hugging Face BlogAI 评分5858 IBM 发布 Granite Speech 5.0 系列：新增 2B 语音模型并更新 Turbo CTC 与 4.1 2B Plus
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
The DecoderAI 评分6262 ElevenLabs 发布两款实时语音转语音模型 Eleven Realtime
ElevenLabs 发布两款语音转语音模型 Eleven Realtime，其中 v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间 0.57 秒。
The DecoderAI 评分7373 Mistral AI 发布 Voxtral 3 实时语音智能体模型栈
Mistral AI 发布 Voxtral 3，一套面向实时语音智能体的模型家族，包含语音转文字模型 Voxtral Small Transcribe 3、文字转语音模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 系列语音模型和基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说话串成一条实时流式管线，单轮响应低于 1 秒。
推荐理由：官方给出语音智能体 SDK 与转写、合成模型的完整定价和基准对比，可据此评估实时语音链路成本。
TechCrunch · AIAI 评分5050 Yelp 上线 Check for Me：AI 语音智能体代用户致电餐厅查询等位时间
Yelp 为 app 新增 Check for Me 功能，用户输入用餐人数和手机号后，AI 语音智能体可代其致电餐厅查询等位时间，并以短信回传结果。Yelp AI 助手同时接入 OpenTable 支持应用内订位，可记住历史对话偏好、查看近 30 天聊天记录并设置自定义提醒。
AWS Machine Learning BlogAI 评分3434 Deepgram 如何借助 AWS Trainium 优化大规模语音 AI
Deepgram 与 AWS 合作将 Nova-3 语音转文字模型移植到 Trainium2，用于客服中心分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，每美元处理的音频量比原有算力方案提升 11%–70%。该优化也惠及在 Amazon SageMaker AI 上自托管 Deepgram 模型的客户。
Hugging Face Blog精选AI 评分6969 IBM 发布 Granite Switch 4.1：单端点实现对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，通过 Decision aLoRA、Guardian aLoRA 与 Granite-Speech-5.0-Turbo-CTC 在单一托管端点完成对话、决策与语音转写。
推荐理由：Granite Switch 4.1 把决策适配器与 ASR 模型组合进单一端点，读者可据此了解多能力复用同一基座的部署思路。
TechCrunch · AIAI 评分4747 亚马逊旗下 Bee 推出两款个人 AI 设备，起售价 75 美元
被亚马逊收购的 Bee 发布两款新设备：可腕戴或别在衣服上的 Bee Frontier 售价 74.99 美元，信用卡大小、磁吸在手机背面的 Bee Eclipse 售价 99.99 美元。
The Verge · AIAI 评分4747 Square 推出 Square Kiosk 自助点餐终端，可语音与 AI 对话下单
Square 发布 Square Kiosk 自助点餐终端，配备 21.5 英寸触摸屏和“智能体式对话语音层”，能理解商家菜单并实时应答，顾客可语音提问、修改或替换订单。该设备支持存在检测迎宾和感应/插卡支付，今日起面向 Square Plus 或 Premium 订阅商家发售，硬件售价 1,999 美元，另收每台每月 99 美元软件费。
OpenAI NewsAI 评分5858 Higgsfield 用 GPT-6 Astra 将 AI 视频从 1 分钟延长至 10 分钟以上
Higgsfield 宣布将 AI 视频时长从 1 分钟提升到 10 分钟以上，视频生成由 GPT-6 Astra 支持。同时它用 GPT-Image-2.5 提供更精确的画面，并借助 GPT-Live 打通语音电影制作路径。
The Verge · AIAI 评分2222 没有摄像头的 Ray-Ban Meta Audio 智能眼镜评测：不拍人，反而更自在
Ray-Ban Meta Audio 是 Meta 推出的纯音频智能眼镜，售价 $349，去掉摄像头后外观接近普通眼镜，佩戴时不易被察觉。它搭载 Muse Spark 模型，可处理日程查询、提醒设置和步行导航等简单任务，但复杂请求容易出错；Muse AI 将在今年晚些时候上线。评测认为其音质尚可、续航和重量表现良好，但价格偏高，AI 仍不是购买这类眼镜的决定性理由。
The Verge · AIAI 评分6060 Apple 发布首款智能屏 HomeView，售价 299 美元
Apple 发布首款智能屏 HomeView，售价 299 美元，即日起开启预售，11 月 13 日发货，首批覆盖美国、英国、加拿大、澳大利亚、新西兰、新加坡、南非和印度八个国家。
TechCrunch · AIAI 评分3737 前 Plaud 高管 Peter Mo 为常驻后台聆听的 AI 应用 Ambi 融资 2600 万美元
前 Plaud 高管 Peter Mo 创办的 Ambi 完成 2600 万美元融资，由 Luminous Ventures 和华勤领投，并推出 iPhone、Mac 和 Apple Watch 应用。
TechCrunch · AIAI 评分2222 PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型已经问世，语音 AI 仍未迎来自己的“ChatGPT 时刻”，下一步挑战是让推理足够快、对话足够自然。Otter 的 CMO Alex Gay 则指出，说话人识别、意图捕捉并结合组织知识是关键，转录准确率一旦不足，后续自动化动作都会出错。两人还强调语音工具应向用户明示正在录音或面对的是 AI。
The Verge · AIAI 评分4848 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
亚马逊 AI 助手 Alexa Plus 在智能家居控制上表现出色，能理解“我冷了”这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒，多步指令也能顺畅执行。但其私人助理功能尚不成熟，Echo Show 上的全屏广告严重干扰体验。该助手在美国和加拿大可用，Echo 设备上需 Prime 会员或每月 19.99 美元订阅。
Hugging Face BlogAI 评分4040 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一款 1.6B 参数的语音识别模型，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
AWS Machine Learning BlogAI 评分3636 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases，可搭建航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
The Verge · AIAI 评分2828 Amazon Alexa Plus 被曝持续数分钟重复“lalala”的诡异 bug
Amazon Echo 音箱上的 Alexa Plus 出现 bug，会在与用户对话中途连续数分钟重复说唱“lalala”，被追问时 Alexa 完全不知道自己做了什么。该问题近几周在 Reddit 上被多次报告，涉及多款 Echo 音箱，最近一次报告在三天前。Amazon 向 Android Authority 表示这是影响“少量 Alexa Plus 用户”的 bug，正在修复。
The Verge · AIAI 评分3838 Gemini「Call for Me」或扩展至亲友通话，可代你告诉妈妈你会迟到
Google 的 Gemini「Call for Me」AI 功能可能从商务通话扩展到亲友通话。Android Authority 在 APK 拆包中发现「Gemini Calling」引导界面。
TechCrunch · AIAI 评分6060 Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具公司。两年前他参与了对这家图像生成初创的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一起推进新方向。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，实现带唇形同步、自然表情和流畅轮次的实时视觉形象。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言切换，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐句表演指导，后者面向高吞吐、低成本的配音与语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，便于判断语音生成在创作与规模化场景的取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本场景与高复杂度多步推理任务。
推荐理由：两款语音对话模型同时给出实时推理、工具调用与多语言切换的能力边界，并列出开发者与企业的开放入口。