JJ coders 发布 Suna AI：开源 5B 流匹配 DiT 音乐合成模型，支持 48 KHz 输出
JJ coders Group 在 Show HN 发布 Suna AI（suna.jjcoders.com），这是一个开源 5B 流匹配 DiT 音乐合成模型，支持 48 KHz 音频输出，基础权重为 jjcoders/suna-v1。
#语音
Hacker News AIAI 评分5858 ElevenLabs BlogAI 评分2020 暖转接与冷转接：如何选择正确的通话转接方式
ElevenAgents 支持三种通话转接类型，其中原生 Twilio 集成上的 Conference Transfer 可向人工坐席传递暖转接信息。暖转接在接通前向接收方提供来电者背景，冷转接则直接接通、不传递任何上下文，另有介于两者之间的温转接。复杂或敏感问题适合暖转接，简单、高并发的路由场景适合冷转接。
Hugging Face BlogAI 评分3636 用 NVIDIA Nemotron 开源模型打造万圣节鬼屋
开发者基于 NVIDIA Nemotron Voice Agent 搭建了万圣节互动投影装置 MonsterHouse，由 Nemotron ASR 负责听、Nemotron 3.5 Bolt E4B 4GB 负责对话、Magpie TTS Zeroshot 负责发声、Audio2Face-3D 驱动嘴部动画，全部跑在一台工作站上。
The Verge · AIAI 评分2525 Starbucks 计划在得来速用 AI 展示“个性化数字菜单”
Starbucks CEO Brian Niccol 在财报电话会上表示，公司将探索在顾客抵达得来速时识别参与计划的顾客、展示个性化数字菜单并简化支付。从 2027 年起，Starbucks 还将在得来速测试后台 AI 模型，帮助咖啡师更准确高效地录入订单，并计划把 AI 接入 app 的搜索与发现功能，未来可能支持对话式和智能体下单。
ElevenLabs BlogAI 评分3838 TELUS Digital 用 ElevenAgents 将早期退订率降低一半以上
TELUS Digital 基于 ElevenAgents 构建外呼语音智能体，主动联系新开通家庭互联网的客户，使收到电话的客户 30 天退订率不到整体新客户的一半。
MarkTechPostAI 评分5858 Edge0 发布 0.6B 语音克隆 TTS 模型 Audio8-TTS-Realistic
Edge0 发布开源权重 TTS 模型 Audio8-TTS-Realistic，601M 参数，可用 1 段参考音频和转写文本做零样本语音克隆，支持 23 种语言并以 Apache 2.0 发布权重和代码。
Hacker News AIAI 评分2222 OTO AI 如何用实时 AI 助手应对面试与会议
OTO AI 是一款桌面端 AI 会议助手，可实时监听会议内容、识别提问并调用用户自选的 AI 模型生成即时回答。它支持 OpenAI、Anthropic Claude、Google Gemini 和 DeepSeek 的模型，可接入 Google Meet、Microsoft Teams、Zoom、Webex 等平台，并支持导入 TXT、Markdown、DOCX、PDF 文档作为背景上下文。
ElevenLabs BlogAI 评分3636 ElevenLabs 解读对话式 AI 中的轮次切换：如何实现自然对话流
ElevenLabs 发文解析对话式 AI 的轮次切换机制，即模型判断何时回复、保持发言或静默倾听的规则体系。其 ElevenAgents 采用自适应计时，结合语音活动检测与语义分析，配合 Eleven v4 Turbo 时从请求到可听语音的中位延迟为 142 ms。工程团队可通过响应延迟和打断率衡量对话流畅度。
Hacker News AIAI 评分4747 Simple AI 在 Tango 模型中引入 Sentiment，直接从音频识别客户情绪
Simple AI 在其对话感知模型 Tango 中新增 Sentiment 功能，成为首个直接从音频处理情绪的语音智能体，可实时追踪客户的沮丧、困惑与愉悦。Tango 每 80ms 更新一次情绪分数，三类信号各按 0 到 3 打分且相互独立，无需额外管线或增加延迟。该功能与断句、打断检测在同一次音频处理中完成，训练时还提升了 Tango 各项能力。
TechCrunch · AIAI 评分4040 Rivian 与大众 58 亿美元合资公司扩展至 AI 助手，技术或首搭 ID EVERY1
Rivian 将其 AI 语音助手技术的部分组件授权给大众集团，纳入双方 58 亿美元合资公司范围。该助手已于 2026 年 9 月上线 Rivian R1S、R1T 和 R2，大众首款采用 Rivian 软件与电子架构的车型预计是低价电动车 ID EVERY1。Rivian 未披露授权费用与具体适用车型。
ElevenLabs BlogAI 评分5252 ElevenLabs 发布音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线
ElevenLabs 发布新一代音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线。相比 SFX v2，它更能可靠处理单条提示词中描述多个声音的场景，音乐与人声生成更可信，在基准测试中音质更干净自然，并减少了锣、铃、哨声等音效的杂音。
TechCrunch · AIAI 评分4242 Granola 推出听写功能，与 Wispr 正面竞争
以会议记录工具起家的 Granola 上线听写功能，用户在 Mac 上按 Fn 键即可语音输入，工具会自动清理并格式化文本，且支持所有应用。该功能不限字数、免费使用，iOS 和 Windows 版本即将推出。此前 Wispr 已从听写工具扩展至会议记录，Fireflies、Speechify、Monologue 等语音应用也在走向多功能融合。
Hacker News AIAI 评分4747 ROAL 推出餐厅 AI 电话接待：粘贴网站链接约两分钟自动搭建
ROAL 是一款面向餐厅的 AI 电话接待服务，粘贴网站或 Google Maps 链接后约两分钟即可自动学习菜单和营业时间并生成电话接待，可先通过浏览器试打电话。它支持接听自取与配送订单、按实时菜单确认菜品与取餐时间、用来电者语言应答，并把确认订单以厨房票据形式推送。按完成订单收费，每单 $0.90，无月费、无按分钟计费，未成单不收费。
TechCrunch · AIAI 评分4242 Amazon 为 Alexa 新增超 100 项购物能力，可管理订阅与配送指令
Amazon 在假日季前为 Alexa 新增 100 多项购物相关能力，支持创建和管理购物清单、修改订阅配送周期、编辑收货地址与投递说明，并可解答 Prime 和 Audible 订阅及账单支付问题。Amazon 称今年以来使用智能体功能的用户数增长 8 倍，过去 12 个月超 4 亿消费者用 Alexa 购物。
TechCrunch · AIAI 评分6060 Deepgram 收购 Pipecat 开发商 Daily，并推出实时上下文标准 RCS
Deepgram 宣布收购开源语音 AI 框架 Pipecat 的开发商 Daily，交易金额未披露，双方承诺 Pipecat 将保持开源。Daily 此前累计融资超过 6200 万美元，Deepgram 今年早些时候以 1.3 亿美元 C 轮进入独角兽行列。
Hugging Face BlogAI 评分3636 IBM Granite Switch 4.1.1 补丁发布：像更新软件一样更新模型
IBM 发布 Granite Switch 4.1.1 补丁版本，与 4.1 完全向后兼容、无需迁移，基础模型未改动，仅更新适配器即可部署。此次更新包括支持 10 种语言、自带标点与大小写的 Granite Speech ASR 模型，以及在 Jev Decision Index 测试集上表现提升的 granitelib-core Decision 适配器。
Hugging Face BlogAI 评分5858 AnySpeechRecognizer 与 AnyDecisionModel 发布：面向 Apple 平台的语音与决策开源模型
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，前者在 Apple 的 SpeechAnalyzer API 下可切换 Parakeet、Qwen3-ASR 等识别引擎并新增说话人分离，后者以概率而非生成文本的方式回答是非、多选和评分问题。
MarkTechPostAI 评分5858 AssemblyAI 发布 AssemblyAI-TTS-1 语音合成 API，每 100 万字符 15 美元
AssemblyAI 发布首个文本转语音模型 AssemblyAI-TTS-1，面向实时电话语音智能体，定价为每 100 万字符 15 美元，无年度合同且并发不限。
MarkTechPostAI 评分6262 Block 发布全双工语音模型 Dessa，仅用语音数据训练
Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，仅用人类对话音频训练，不使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行且快于实时，训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），而 Moshi 使用 1,016 块 H100。
MarkTechPostAI 评分6969 NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型，支持 40 种语言转写
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开放权重的语音 LLM，支持 40 种语言、单次最长 1 小时音频，总参数约 34B、激活参数约 4.3B。
ElevenLabs BlogAI 评分2323 银行业中的对话式 AI：用例、优势与实例
对话式 AI 通过处理自然语言请求为银行客户提供 24/7 支持，无需增加运营成本即可解答常规问题、验证身份并处理支付纠纷。这类系统依靠严格的网络安全协议，并遵循 SOC 2 Type II、ISO 17001 和 PCI DSS 合规要求来保护金融数据。运营负责人可通过首次接触解决率和升级频率等指标衡量各类银行聊天机器人用例的表现。
ElevenLabs BlogAI 评分5555 ElevenLabs 推出强制对齐模型 Cue，支持 90 多种语言
ElevenLabs 发布强制对齐模型 Cue，可将音频中每个字符定位到精确时间轴，覆盖 90 多种基准语言，并已用于 Scribe 语音转文字流程。在 29 种语言的基准测试中，Cue 在真实录音上的准确率高于团队测试的所有对齐工具；处理一小时音频约需半秒，而次快的 Qwen3-ForcedAligner 接近 2 秒。
Baseten BlogAI 评分5555 Baseten 优化 Qwen3-ASR 1.7B 批式转写，单卡吞吐提升 7 倍
Baseten 对开源模型 Qwen3-ASR 1.7B 的推理栈做了优化，在单张 RTX PRO 6000、64 并发下批式转写吞吐较原生 vLLM 提升 7 倍以上，5 分钟音频的实时倍率达到 2,645 倍。
Databricks BlogAI 评分3636 Databricks 谈语音智能体：用上下文让语音客服产生真实客户价值
Databricks 提出语音智能体的"对话层 + 大脑"架构，由 LiveKit 承载通话、Deepgram 负责语音转文字与默认音色、ElevenLabs 提供表现力音色，Databricks 提供负责上下文、本体与治理的"大脑"。
The DecoderAI 评分6969 Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，整合转写、翻译与说话人识别
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持 40 种语言转写、31 种语言与英语互译，并能在 13 种语言中识别说话人。
TechCrunch · AIAI 评分6565 英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe
英伟达发布免费开源权重模型 Nemotron 3.5 Transcribe，可转写最多 40 种语言的音频，并支持 31 种语言与英语互译。该模型参数量 30B，可处理最长 1 小时的录音、区分最多 8 位说话人，官方称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。
Hugging Face Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合并到一个 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。
推荐理由：原文给出多语言转写与说话人分离的榜单成绩，并附可复用的数据管线和微调配方，便于判断落地成本。
NVIDIA NewsroomAI 评分5858 NVIDIA RTX Spark 笔记本更新：新增 Nemotron 3.5 Transcribe 与 Agent 资源管理
NVIDIA 为 RTX Spark Windows 笔记本带来一批更新，包括开放权重的语音模型 Nemotron 3.5 Transcribe、NVIDIA App 中在前后台应用与后台 Agent 之间分配 GPU 资源的控制项，以及 LFM3 系列模型的 day-zero 支持。
ElevenLabs BlogAI 评分3232 ElevenLabs 与印度卡纳塔克邦签署 MoU，将语音 AI 引入公共服务
ElevenLabs 在首届印度峰会上与卡纳塔克邦政府签署 MoU，探索将语音 AI 用于市民服务、语音安全与声音恢复。合作将率先从申诉处理、公共热线和福利申领试点切入，平台支持卡纳达语及其他 13 种印度官方语言。ElevenLabs 还将部署涵盖深度伪造检测、水印、授权与防欺诈的安全框架，并通过 One Million Voices 计划为符合条件的居民提供免费终身语音重建许可。
ElevenLabs BlogAI 评分2424 Lettuce 用 ElevenLabs Ads Engine 将创意广告制作从一周多缩短到一分钟内
Lettuce 的增长团队用 ElevenCreative 中的 Ads Engine 连接 Meta 账户，把表现最好的广告在约 45 秒内生成新版本并推回投放，创意成本降低约 75%，单条线索成本比其他同期创意低 40% 至 60%。团队只需用提示词描述改动，创意总监和效果营销人员审核后即可上线，当前 Meta 表现最佳的广告正是经过 15 到 20 次迭代产出。
ElevenLabs BlogAI 评分5858 ElevenLabs 与 adELA 合作，为西班牙 ALS 患者免费提供语音修复
ElevenLabs 宣布与西班牙 ALS 协会 adELA 合作，为西班牙 ALS 患者免费提供语音修复与保存技术，这是 ElevenLabs Impact Program 在西班牙的首个项目，西班牙也成为该技术首个通过全国性患者协会开放的国家。
Hacker News AIAI 评分3838 Tenstorrent 与 Smallest.ai 合作，将生产级语音 AI 引入本地部署
Tenstorrent 与 Smallest.ai 达成合作，将 Smallest.ai 的 Lightning V2 实时文本转语音模型原生运行在 Tenstorrent Galaxy Blackhole 服务器上，实现完全本地部署的实时语音智能体与数据主权。
Hacker News AIAI 评分2222 KlangKI 推出免费德语 AI 音乐生成器：从提示词和歌词生成完整歌曲
KlangKI 上线免费德语 AI 音乐生成器，支持歌词转歌曲、描述转歌曲和纯器乐三种模式，生成通常耗时约 3–5 分钟。用户可选择风格与男声、女声或随机人声，结果可下载为 MP3 或生成公开链接，且无使用限制。
Hacker News AIAI 评分5858 开源项目 ai-phone 发布可在电脑上运行的 AI 电话智能体
开源项目 ai-phone 发布一个在电脑上运行的 AI 电话智能体，支持接听和拨出电话，语音识别与合成在本地完成，语言模型可选本地 MLX 模型、Claude Code 或 Codex 订阅、OpenAI 兼容端点。
ElevenLabs BlogAI 评分3838 如何构建品牌一致的 AI 语音助手：从语音转文字到 LLM 的实时管线
ElevenLabs 发布指南，介绍如何用语音转文字、LLM 和文字转语音搭建实时 AI 语音助手管线，并建议将往返响应控制在 500 ms 以内、配合 VAD 保持自然对话。指南还要求接入内部知识库与业务工具，并在复杂或情绪化查询时转接人工坐席。开发者可通过 ElevenAPI 直接调用语音模型，或用 ElevenAgents 托管平台完成配置、测试与分析。
OpenAI NewsAI 评分2222 Retell 借助 OpenAI 模型支撑每月 1 亿次通话
Retell 使用 OpenAI 模型支撑每月 1 亿次通话，GPT-6 Astra 在其语音智能体基准测试中排名第一。Codex 还帮助 Retell 实现每位员工 160 万美元的年化营收。
ElevenLabs BlogAI 评分2222 ElevenLabs 研究：试用零售 AI 智能体后，购物者更愿意开口说话而非打字
ElevenLabs 在英美加澳欧等地开展三项购物者研究，让多数人先实际使用其语音智能体再作答，结果近半数选择"说和听"，约 30% 选择"说和看屏幕文字"。在找礼物、比价等六项任务中语音均居首，但对比两款产品时三种方式几乎平分。问题越严重购物者越不愿交给智能体：晚到货 56% 选智能体，错误扣费仅 34%；若智能体失败过一次，错误扣费场景下 61% 要求转人工。
Ars Technica · AIAI 评分5858 苹果发布 iOS 与 macOS 27.2，Siri AI 新增记忆功能与五种语言
苹果推送 iOS、macOS、watchOS、tvOS、visionOS 等系统的 27.2 更新，iOS 27.2 重点在 Siri AI。Siri 新增记忆功能，可回顾过往对话并在聊天中引用，回答时可访问语音留言、信息附件等更多数据源，同时提供“排除的 App”选项让用户选择 Siri、搜索和建议可访问哪些应用。
Apple NewsroomAI 评分4848 Apple Intelligence 的 Siri AI 新增多语言支持，今日起可用
Apple Intelligence 的 Siri AI 今日起支持简体中文、繁体中文、丹麦语、荷兰语、法语、德语、意大利语、日语、韩语、挪威语、葡萄牙语、西班牙语、瑞典语、土耳其语和越南语等语言。
PyTorch BlogAI 评分3434 用 ExecuTorch 在 Arm 边缘设备上优化流式语音识别
PyTorch 团队将多语言流式 ASR 模型 Nemotron 3.5 经 ExecuTorch 部署到 Google Pixel 11，并分析其端侧执行表现。