腾讯混元同声传译大模型 Hy-SimulMT 开源,响应约 3 秒并称超人类译员
腾讯混元发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译,边听边译并支持实时音色克隆,实测响应时间约 3 秒,低于人类专业译员 4-5 秒的平均水平。该模型在腾讯 Hy 翻译 App 首发并免费开放体验;官方测评称其翻译效果超过主流开源同传模型和多数商用同传 API,在自建多领域测评中质量达到人类同传专家水平且时延更低。
腾讯混元发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译,边听边译并支持实时音色克隆,实测响应时间约 3 秒,低于人类专业译员 4-5 秒的平均水平。该模型在腾讯 Hy 翻译 App 首发并免费开放体验;官方测评称其翻译效果超过主流开源同传模型和多数商用同传 API,在自建多领域测评中质量达到人类同传专家水平且时延更低。
10 月 22 日,2026 科大讯飞全球 1024 开发者节在北京开幕,发布基于全国产算力训练的端云一体讯飞星火 X2.6。云端 293-A30B 模型支持百万 token 上下文,输入价格 0.9 元 / 百万 tokens,在 SWE Pro、SWE Multilingual 两项代码测试中排名第一;开源端侧 X2.6-4B 的智能体任务覆盖度达 41.9%。
小米技术委创新产品团队孵化的开源 AI 硬件 HachimoDock 在 2026 观猹大会亮相,硬件自制成本约 150 元,软件源码已在 GitHub 公开,同时提供硬件物料清单、结构件模型及装配教程。
语音降噪模型 GTCRN 依靠 ERB、SFE 与 Mask 三个模块完成从带噪频谱到纯净语音的转换。ERB 利用预先算好的转换矩阵将 257 维 STFT 特征转换为 129 维,SFE 通过引入相邻频带将 3 通道数据扩展至 9 通道。模型输出复数比率掩码(CRM),相比实数掩码能同时修正幅度与相位,实现更好的降噪效果。
作者花 50~60 元买小米电视蓝牙语音遥控器 2 Pro(RC003),配合开源工具 SayAll 和微信输入法,实现按住语音键口述 Prompt、松手自动上屏,并用方向键单手切换终端 Tab 与 Workspace、OK 键确认、返回键中断。
Block 发布全双工 AI 语音模型 Dessa,能模拟笑声、停顿、哽咽等情绪表达,可在 M4 Max 及更高配置的 MacBook 上本地运行。Dessa 完全基于人类语音数据训练,知识来源于训练所用的对话数据,无需搭配大语言模型;Block 称情绪表达为模型原生内置,但底层是否依靠标签调控尚不清楚。
Block 发布语音模型 Dessa,可在单张 NVIDIA GPU 上本地运行,支持全双工同时说与听。该模型完全基于人类语音训练,Block 称其情绪表达内置在模型中,而非像 ElevenLabs v4 或 Fish Audio Drama 3 那样由文本或语音标签驱动。目前 Dessa 尚未公开开放,Block 正邀请安全研究员对其进行测试。
Block 发布语音模型 Dessa,完全基于人类语音从零训练、不使用任何文本数据,直接处理音频以实时感知情绪、讽刺、笑声与停顿。模型支持全双工通信,可边听边说,并在 MacBook Pro M4 Max 上本地运行,使用单台 NVIDIA GB200 NVL72 训练。Dessa 尚未公开,团队先邀请 AI 安全研究人员测试潜在风险。
10月23日,声网创始人兼CEO赵斌在iRTE2026实时智能大会上提出“五级对话能力”框架,将对话能力划分为L1至L5五个层次,从被动应答演进至基于深度关系的沟通。框架五级依次为基于自身视角、互动规律、个体认知、群体认知与深度关系的沟通。声网同时介绍了以全双工交互为核心的实时互动基础设施方向,连接模型、Agent运行框架与用户。
10月22日,科大讯飞在2026全球1024开发者节发布端云一体星火X2.6、星辰TaaS平台、星火语音基座大模型SparkAudio 1.0及Agent OS等多项成果。
Block 发布名为 Dessa 的 AI 模型,它完全只用人类对话从零训练,是真正的 speech-to-speech 模型,一切知识都来自人类语音。团队展示了多段偶尔略显尴尬的对话示例,包括与 OpenAI 的 GPT-Live-1 语音模型的对比。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行,团队将向一小群 AI 安全研究人员提供早期访问。
Google Research 回顾了其结核病筛查 AI 从论文到临床落地的路径,与 Nexus AI 合作的胸片工具获 CE MDR IIb 认证,在六国约 40 家机构评估超 25,000 张胸片,周转时间从数周缩至 45 秒以内。
推荐理由:原文梳理了从论文基准到 CE 认证临床工具的落地路径,读者可看到开放模型如何支撑各国本地化医疗部署。
TDS Studio 评测了 OPPO Enco X4 降噪真无线耳机,其降噪能力属于 TWS 第一梯队,但当前固件版本开启降噪时存在可察觉底噪。耳机采用 11mm 与 6mm 同轴双动圈单元,支持 LHDC 5.0 及 LHDC Lossless 48kHz/24bit,实测单次续航 14 小时 39 分钟,并具备 IP55 防尘防水与 39ms 低延迟游戏模式。
Anima 借助 GPT-6 和 GPT-Live 帮助诊所将电话等待时间缩短 75%。护理团队借此扩展了服务能力,获得更多容量来回应患者。
Amazon Polly 生成式引擎升级,提供更自然、更准确且低延迟的语音输出,新增覆盖 9 个地区的 14 个语音,印地语和芬兰语生成式语音首次正式可用。这是现有生成式语音的原地升级,语音名和 API 调用不变,已有应用无需改代码,价格也保持不变。升级后目录共 57 个生成式语音,覆盖 11 种语言、25 个地区,可用区扩展至 11 个 AWS Region。
推荐理由:原文给出语音数量、语言覆盖和免改代码的替换式升级方式,读者可据此评估迁移成本与适用场景。
该方案将 82M 参数的 TTS 模型 Kokoro-82M 以自定义容器部署到 Amazon SageMaker AI 实时端点,用实测数据替代猜测的自动扩缩容目标。
极米记得 AI 记忆手环 L1 今日上架,提供黑色、米色配色,售价暂未公布。该产品支持手环与吊坠两种形态自由切换,可全天候 AI 录音并自动整理纪要、待办,原始音频用完即删、记忆加密存于手机,综合续航 2-5 天。同日,极米记得 AI 记忆眼镜 G1 也已上架,功能与手环相近。
FunAsrNet 是基于 QwenAudio/Fun-ASR 固定版本架构的社区实现,用 .NET 10 和纯 C# 完成普通话 ASR、实时转写、中文 TTS 和电话音频处理,不依赖 Python、ONNX Runtime、ggml、sherpa-onnx 等任何原生推理库,仓库里甚至自带一个只覆盖目标模型算子的 ONNX 解释器。
这套架构以 FreeSWITCH 只做执行层,配置经 xml_curl 入库,ESL 接管呼叫控制,构建通用智能电话平台。AI 能力通过可插拔 WebSocket 协议接入,同时覆盖浏览器软电话验证、话单口径与防盗打等实践要点。
科大讯飞在全球 1024 开发者节发布星火语音基座大模型 SparkAudio 1.0,集成机器翻译、语音识别、语义理解等能力。模型宣称在实时说话人分离、环境理解、音频理解、情绪识别等方面表现卓越,支持中英文任意切换、说话人实时识别,已在讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机全面上线。
IBM Granite 团队发布 Granite Speech 5.0 系列更新:新模型 granite-speech-5.0-2b 与更新版 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus,分别面向高精度多语转写翻译、端侧高速转写和多说话人录音。
推荐理由:三个模型分别覆盖高精度转写、端侧极速转写和多说话人归因场景,读者可按企业需求直接选型。
Google 将对话式 Gemini 语音导航扩展到 Apple CarPlay,美国司机今日起可用,全球陆续推出。用户在车载屏幕的 Google Maps 中点击 Gemini 图标即可激活,可提问多步问题,如推荐景点并要求避开收费站前往。此次更新未包含昨日为 Android Auto 和内置 Google 车型发布的 Personal Intelligence 个性化功能。
作者让 Codex 在局域网内接管极米 Z7X 投影仪,实现开关机、方向键、音量等遥控操作,并让 Agent 读取投影仪实时画面、逐步决策下一步点击。他还做了 Mac 语音应用小 C,喊名字唤醒后把指令转成文字发给 Codex 的固定会话,任务完成后自动朗读播报。
苹果首款智能家居中枢 HomeView 以极简体验与 Siri AI 为核心优势,可通过自然口语指令整合家庭设备与日常任务。该设备固定在家中持续通电、无需解锁,可作为 Apple Home 控制中心并首次支持多用户切换。HomeView 预计 2026 年 11 月 13 日发货,但屏幕较小且不能直接运行应用。
ElevenLabs 发布两款名为 Eleven Realtime 的语音转语音模型 v1 Max 与 v1 Mini。
推荐理由:原文给出了新模型在 Big Bench Audio 上的得分与响应延迟,并对照 Artificial Analysis 榜单定位,便于与其他实时语音模型横向比较。
Mistral AI 发布 Voxtral 3 语音模型家族及配套 SDK,将语音识别、语音合成与实时智能体对话整合进一条流式管线。
Mistral AI 发布 Voxtral 3 语音模型家族与语音智能体 SDK,覆盖语音识别、语音合成与实时对话全链路。
推荐理由:原文给出各模型定价、基准对比与自部署选项,读者可直接评估其替代现有语音方案的可行性。
Yelp 推出 Check for Me 功能,AI 语音代理可替用户致电餐厅询问等位时间,并以短信将结果发给用户。Yelp AI 助手新增 OpenTable 集成,可直接在应用内订餐,并支持记住偏好、查看过去 30 天聊天记录和设置自定义提醒。公司还发布面向商家的付费产品 Smart Lead Reply,每月 30 美元,可自动回复客户并筛选潜在客户。
作者把 OpenMOSS 的 MOSS-TTS-Nano(约 0.1B 参数)移植成 Windows 桌面软件「离线配音与有声故事工坊」,基于 C# + .NET Framework 4.8 + ONNX Runtime CPU,无需安装 Python、PyTorch 或 CUDA,模型本机运行并输出 48 kHz 立体声 WAV。
会议记录工具 Otter.ai 宣布从 General Catalyst 的 Customer Value Fund 获得 $320M 融资,该基金以不稀释股权、按营销投入回报获利的方式提供资金,公司将把资金用于企业增长、国际扩张和产品创新。
哔哩哔哩 Index LLM 团队推出 Index-Translate 系列翻译模型,文本翻译覆盖 150 种语言,提供 2B、9B 和 35B-A3B(preview)三种规模,同时支持图文翻译。
YuE2 是由香港科技大学联合 M-A-P、Noiz AI、斯坦福大学等机构推出的开源音乐生成模型,输入歌词和风格描述即可生成带人声与伴奏的歌曲。它还支持根据曲谱修改旋律与和声后重新生成。
蚂蚁百灵宣布开源 Ming-3.0 语音系列,包含语音合成、音频理解与对话、语音识别三个系列共五款模型,开发者可按任务选用或组合进自己的工作流。
网易有道 Confucius4-R2T2 登顶 Hugging Face ASR Trending,中文字错率 6.42%、英文 WER 6.13%、延迟 0.55 秒,其核心是以不可逆输出替代回改:已 commit 的字永久锁定,用等待代替修改。
日本演员协会(JAU)发布生成式 AI 使用准则第一版,规定任何主体复刻演员声音在流程每一步都必须取得当事人同意,AI 企业用演员声音训练必须获得许可,经授权的 AI 生成语音被视作一类表演并需支付报酬或版税。该工会约有 2600 名会员,这是日本首批针对 AI 语音录制的行业规范;《龙珠》孙悟空配音演员野泽雅子表示未经许可使用其声音与盗窃无异,并称她听过的 AI 复刻版本没有情感。
可灵 AI 发布 Kling 4.0 视频生成模型,单次可生成最长 30 秒视频,支持最多 10 张关键帧输入,提示词理解扩展至 8,000 tokens。升级后的 Omni Reference 可在单次生成中接受最多 15 个参考素材,新增双声道立体声音效与覆盖十多种语言的口型同步,轻量 Flash 版本上限为 720p 和 20 秒。
Deepgram 与 AWS FDE 团队合作,将 Nova-3 语音转文字模型移植到 AWS Trainium2,在单个 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本,离线批处理工作负载每美元可多处理 11–70% 的音频。
本期《派评》推荐了多款 App,覆盖输入法、笔记、播客、Apple TV 工具与日历场景。紫毫 Hare 将 Rime 引擎与雾凇词库带入 iPhone 并主打开箱即用;Brink 用 AI 转译文稿帮助听众转化播客信息。Platen、TVScope 与 Chengyu Calendar 分别还原复古打字机书写、简化 Apple TV 录屏截图,并以每日一句成语呈现手撕日历。
OctaFuse Gateway 2.16.0 发布,新增 ElevenLabs 上游协议,覆盖语音合成(按字符计费)与语音转写(按秒计费),支持原生透传与 OpenAI 兼容两种接法,402/429 可自动切换供应商。
这篇文章面向有后端经验、刚接触电话/VoIP 的开发者,讲解如何用开源软交换 FreeSWITCH 把电话系统接入语音客服机器人。
推荐理由:原文把从 SIP/RTP、拨号计划到 ESL 控制和音频分叉的整条链路拆开讲解,读者可据此把现有 ASR/LLM/TTS 机器人接入真实电话线路。