Cursor 推出智能体实时语音通话，底层由 Grok Voice 驱动
Cursor 推出与智能体的实时语音通话功能，用户可口头描述改动、询问智能体当前工作并随进展听取更新。
推荐理由：原文讲清语音通话与听写的区别，并列出 IDE、网页和 iOS 的使用入口，方便读者评估是否把语音纳入编码流程。
#语音
Cursor Changelog精选AI 评分6363 ElevenLabs · BlogAI 评分5252 ElevenLabs 发布 ElevenAgents Unity SDK，让游戏 NPC 可语音对话
ElevenLabs 发布 ElevenAgents Unity SDK，将 Unity 场景连接到语音智能体，玩家可对着角色说话，语音通过 AudioSource 播放并经 Conversation API 运行。
Meta · Newsroom · AIAI 评分5757 Meta Muse 应用上线实时语音对话与表情化虚拟形象
Meta 在 Muse 应用的移动端、网页端和 Mac 上线实时语音对话，点击右上角电话图标即可开始，该功能此前在 Connect 2026 预览，目前先在美国推出。
Hugging Face Blog精选AI 评分6969 Gradium 发布端侧 TTS 模型 Phonon，在 Open TTS Leaderboard 多项指标领先
Gradium 在 Hugging Face 博客回顾两周前开源的端侧文本转语音模型 Phonon，无需服务器和网络即可运行。模型有约 65 MB 和 75 MB 两个版本，支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种声音，其中 Phonon 31m 采用 Apache 2.0 许可可商用。
推荐理由：官方详解 Phonon 端侧 TTS 的架构、许可与排行榜表现，可帮助读者评估小模型离线语音方案的适用性。
ElevenLabs · BlogAI 评分5353 ElevenLabs 详解语音转文字准确率问题的成因与修复工作流
ElevenLabs 官方博客发布语音转文字（STT）准确率修复指南，把出错原因归为音频输入质量、说话人动态、词汇与上下文三类，并建议按输入、处理、输出三段管线定位修复。
ElevenLabs · BlogAI 评分4444 ElevenLabs 详解 AI 语音智能体定价：企业要花多少钱
ElevenLabs 详解 AI 语音智能体定价：总成本为平台分钟费、LLM 用量与电话费之和，后两者按成本单独计费。ElevenAgents 付费档折算均为每分钟 $0.08，套餐从每月 15 分钟的免费档到定制 Enterprise 档。企业应按高峰并发选套餐，并与同等话务量的人力全成本对比计算 ROI。
ElevenLabs · BlogAI 评分4444 ElevenAgents 与主流呼叫中心平台原生集成，提供企业级语音智能体
ElevenLabs 的语音智能体 ElevenAgents 已与 NiCE CXone、Genesys Cloud、Amazon Connect、Five9 四大呼叫中心平台原生集成，其他平台可经 SIP 接入。企业无需更换现有系统即可自动处理改约等重复来电，支持超过 17,000 种声音与 90 多种语言，可全天候服务。
PyTorch BlogAI 评分4444 用 ExecuTorch 优化 Arm 边缘设备上的流式语音识别
PyTorch 团队将 NVIDIA Nemotron 3.5 多语言流式 ASR 模型部署到 ExecuTorch，并在 Google Pixel 11 上用单推理线程进行性能剖析。
Amazon ScienceAI 评分4646 Audible 用可控 TTS 改进有声书语音合成
Audible 技术团队用可控 TTS 改善有声书语音合成，让模型按自然语言描述控制对白演绎。其数据合成管线生成带语音描述的训练数据，BookLLM 自动识别书中角色与对白，英、西语识别准确率分别达 97% 和 94%。合成有声书在 MUSHRA 测试中对白区分度提高 3.7 分，英语和西班牙语测试中十种声音有八种聆听体验显著改善。
Mistral AI精选AI 评分6060 Mistral 发布 Voxtral 3 语音模型系列与语音代理 SDK
Mistral 发布 Voxtral 3，包含新一代语音转写与语音合成模型系列和一个语音代理 SDK，今日起可通过 Mistral API（欧洲、美国和全球端点）使用，并支持自部署以控制音频数据。
推荐理由：原文附定价表和多组转录、TTS 对比基准，想搭建语音代理的读者可据此估算成本并权衡 API 与自部署。
Google Developers Blog精选AI 评分7171 Google ADK 教程：构建永不沉默的语音智能体
Google 开发者博客发布 ADK 教程，讲解用流式工具、非阻塞 FunctionTool 和 response_scheduling 构建慢工具运行期间不冷场的语音智能体。
推荐理由：原文提供流式工具和后台执行两种模式，让语音智能体在慢查询运行时保持对话不断线，方法可直接迁移复用。
OpenAI · 部署安全与系统卡AI 评分5555 OpenAI 发布 GPT-Live-1.1 与 GPT-Live-1.1 Quip 语音模型系统卡
OpenAI 发布 GPT-Live-1.1 和 GPT-Live-1.1 Quip 系统卡，两者为全双工语音模型，分别是 GPT-Live-1 与 GPT-Live-1 mini 的后续版本，前者为 Plus 及更高档位用户（含 Codex 和 Dots）的默认语音模型。
Sarvam AIAI 评分5353 Sarvam AI 发布印度语言语音合成模型 Bulbul V4 Flash
Sarvam AI 发布文本转语音模型 Bulbul V4 Flash，生产环境 time-to-first-audio 低于 250 ms，价格为每 10,000 字符 ₹20，比 V3 的 ₹30 便宜三分之一。
Google AI BlogAI 评分4444 Google 汇总 2026 年 9 月宣布的 AI 最新动态
Google 汇总 2026 年 9 月宣布的 AI 更新，当月核心是最新前沿模型 Gemini 4 Argon：具备高级推理与 100 万 token 输出上限，聚焦网络安全防御，正通过 Fairwind Program 向可信网络防御者推送。
Suno · Blog精选AI 评分6767 Suno 推出 Speech（beta），一条音轨同时生成语音与配乐
Suno 推出 Speech（beta），官方称其为首个把语音与背景音乐合成为同一条完整音轨的音频模型，现已向所有用户开放。用户输入一段文字并描述想要的嗓音与音乐风格，即可生成配上原创背景音乐的朗读音频，该功能此前已小范围测试一个月。官方提示 beta 阶段口音和戏剧性停顿尚不稳定，将根据社区反馈持续改进。
推荐理由：Suno 官方介绍了语音与配乐合为一条音轨的生成方式和用法，并坦承 beta 阶段口音与停顿还不稳定，可据此判断适用场景。
GitHub Org · unslothaiAI 评分5858 unslothai 开源 audio.cpp：纯 C++ 音频模型推理引擎
unslothai 在 GitHub 发布 audio.cpp，一个由 ggml 驱动的纯 C++ 音频模型一体化推理引擎。它支持 TTS、STT、VAD、语音转换、音乐生成等多种音频任务，主打高度优化的性能，且不依赖 Python。
Sarvam AIAI 评分5858 Sarvam AI 发布语音识别模型 Saaras V4
Sarvam AI 发布新一代语音识别模型 Saaras V4，在全部22种印度语言上取得SOTA，并在七个英文数据集上拿到最低WER。模型由音频编码器搭配从零自研训练的 3B 混合状态空间 LLM 解码器组成，同一模型支持 transcribe、translate、verbatim、translit、codemix 五种输出格式。
Sarvam AIAI 评分5252 Sarvam 汇总首届 Epoch 活动发布，涵盖 105B 模型、语音栈与 Agent 平台
Sarvam 汇总首届 Sarvam Epoch 活动的全部发布，覆盖整条技术栈，包括更新版 Sarvam 105B、Sarvam Vision 2.0、Saaras V4、Bulbul V4、Sarvam Inference 推理层、Indus Agent 平台、Sarvam Code 早期 beta、Sarvam Cyber、Anvaya、Kivi 与 Kaze 智能眼镜。
Thinking Machines Lab · News精选AI 评分7272 Thinking Machines 宣布交互模型研究预览，TML-Interaction-Small 原生支持实时多模态协作
Thinking Machines Lab 宣布交互模型研究预览，从零训练出 TML-Interaction-Small（276B 参数 MoE、激活 12B），可实时接收音频、视频和文本并即时回应。
推荐理由：原文说明交互模型如何把实时互动内建到模型本身而非外部脚手架，并给出与主流实时模型在智能与响应上的基准对比。