语音与音频

Amazon Polly 生成式引擎重大升级：新增14种声音并支持印地语和芬兰语

AWS 宣布 Amazon Polly 生成式引擎完成重大升级，语音输出更自然、更准确且保持低延迟。此次升级新增 14 种声音、覆盖 9 个地区，并首次正式支持印地语和芬兰语，生成式声音总数达 57 种、覆盖 11 种语言和 25 个地区。升级为无缝替换，现有声音名称和 API 调用不变，价格也不变，同时扩展至 AWS GovCloud（美国西部）区域。

在 Amazon SageMaker AI 上使用 Kokoro TTS 为 AI 代理流式输出低延迟语音

AWS 机器学习博客发布技术教程，介绍如何在 Amazon SageMaker AI 上托管 Kokoro-82M 文本转语音模型，通过逐句流式合成降低 AI 语音代理的响应延迟。方案使用自定义容器和双向 WebSocket 传输，在代理生成每个句子时立即合成音频，而非等待完整回复。文章还详细说明了 WebSocket 帧类型处理和会话保持等实现细节。

科大讯飞发布全国产算力端云一体大模型星火X2.6

科大讯飞发布端云一体大模型讯飞星火X2.6，包含云端293-A30B模型和端侧X2.6-4B模型（后者已开源），基于全国产算力训练，云端模型支持百万token上下文，输入价格0.9元/百万tokens，部分价格低于DeepSeek-V4.1-Flash。同时发布语音基座模型SparkAudio 1.0、WinWork数字员工平台、讯飞星光教育助手及AI录音环

用实测数据替代猜测：SageMaker AI 上 TTS 自动扩缩目标设定

AWS 机器学习博客发布技术文章，介绍在 Amazon SageMaker AI 上部署 Kokoro-82M 文本转语音（TTS）模型的方法。文章指出，TTS 工作负载不适合用默认自动扩缩指标，因此改用 SageMaker 原生发布的 ConcurrentRequestsPerModel 指标，并通过实测两个参数——单实例在 SLO 内可承受的最大并发 Q

Mistral 发布 Voxtral 3 音频模型家族与 Voice Agents

Mistral 发布 Voxtral 3 音频模型家族，包含四个语音转文字与文字转语音模型，均处于公开预览阶段。其中 Voxtral TTS 3 支持零样本声音克隆、流式与上下文感知播报，另外三个转写模型覆盖离线转写、说话人分离与实时转写。Mistral 同时推出 Voice Agents 托管实时双向语音管线，并通过 Voice Agents SDK 提供

audio.cpp 发布多款语音模型 GGUF 量化包

Hugging Face 上发布了 audio-cpp/audio.cpp-gguf 仓库，将多个语音模型（涵盖 TTS、ASR、语音转换、音频生成、说话人分离等）转换为 audio.cpp 原生 GGUF 格式并量化。仓库列出了各模型对应的 audio.cpp family、提供的 GGUF 精度（如 BF16、Q8、F32）及原始许可证，供 audio.

Granite Switch 4.1：单端点实现聊天、决策与语音

IBM 在 Hugging Face 博客发布 Granite Switch 4.1（8B 与 30B），将通用决策 aLoRA、安全决策 Guardian aLoRA 以及 OpenASR 榜单上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC 组合进单一托管端点，显存占用与基础模型相当。由于采用缓存高效的 Activated

llama.cpp b11781 为 server 新增 TTS 端点

llama.cpp 发布 b11781 版本，在 server 中新增 POST /tts 端点以支持 TTS 模型，并引入 mtmd 音频输出流 API、通过 form-data 上传 speaker ref、向 API 暴露 seed 参数，同时修复了 PCM 头、penalty last n、server output limits 及 pocket-

llama.cpp b11780 为 server 新增实时转录 API

llama.cpp 发布 b11780 版本，其 server 组件新增实时转录 API（realtime transcription API），支持 WebSocket 代理与 API key 中间件在握手阶段鉴权。该实现按 Realtime 规范调整了会话对象结构（GA transcription session shape）、音频缓冲区提交事件顺序，并

WaveCommitments：隐私可验证的语音智能体市场

论文提出 WaveCommitments，一个开源的端到端设计，将可信执行环境（TEE）内的 Data Shapley 保密资产估值与多元多项式承诺结合，用于语音智能体市场。它支持选择性打开和防篡改溯源，证明交付资产与估值一致，同时隐藏其余信息。在三个数据集和 Whisper 等编码器上的实验显示，最佳基准最高加速 20 倍、证明体积缩小 39 倍，并揭示了

Elevenlabs 发布两款实时语音到语音模型

Elevenlabs 发布了两款名为 Eleven Realtime 的语音到语音模型。其中 Max 版本在 Big Bench Audio 基准上得分 98.8%，响应时间为 0.57 秒，官方称在 Artificial Analysis 排行榜上没有模型能同时更快且更准确。较小的 v1 Mini 面向低成本自然对话，能判断对方是否说完或只是回应。两款模型

Agno 发布 v3.1.7：限制 OS Manager 工具调用并修复多项缺陷

Agno 发布 v3.1.7 版本，为 OSManager 新增 tool call limit（默认 8）和 member tool call limit（默认 24）两项工具调用上限，并将 CartesiaTools 的默认 TTS 模型切换为 sonic-3.6，以应对 sonic-2 快照于 2026 年 10 月 20 日下线。该版本还修复了 Co

Mistral 发布 Voxtral 3 语音模型与智能体 SDK

Mistral AI 发布 Voxtral 3 语音模型家族及配套语音智能体 SDK，将语音转写、推理、工具调用与语音合成整合进单一实时流式管线。转写模型支持 50 多种语言并具备说话人分离与上下文偏置能力，TTS 模型支持 35 种以上语言和 50 种以上方言，可依据上下文调整情绪与语速。该产品可通过 Mistral 欧盟托管 API 或自部署方式使用，主

另有 1 家信源报道

Deepgram 用 AWS Trainium2 优化语音 AI 推理

Deepgram 与 AWS 合作，将其 Nova-3 语音转文字模型从标准 PyTorch 代码移植到 AWS Trainium2 芯片，用于离线批量工作负载（如呼叫中心分析和医疗转录）。通过 TorchNeuron 编译、NKI 内核调优和 Rust 数据并行运行时，最终在单台 trn2.3xlarge 实例上运行八个模型副本，每美元处理的音频量比原有方

Chirp Pong：用手机麦克风音频联机的双人游戏实验

Simon Willison 在博客中展示了一个实验性双人游戏 Chirp Pong：两台手机运行静态 HTML，通过麦克风发送和接收音频“chirp”来同步游戏状态，实现近距离对战。该游戏在 pong 基础上加入了图形和玩法变化，代码由 Claude Code 中的 Claude Opus 5.5 Extra 协助完成。

Transformers v5.20.0 发布：新增多个模型支持

Hugging Face Transformers 发布 v5.20.0，新增多个模型支持，包括 Meta 的多模态 MoE 模型 Muse Spark Open、InclusionAI 的 Ling 3.0 Flash、Aleph Alpha 的 Kolibri 1、OpenBMB 的 MiniCPM-V 4.7、百度的 UnlimitedOcr、Ultr

NVIDIA 发布多语言 TTS 模型 MagpieTTS，支持 12 种语言

NVIDIA 发布了 MagpieTTS Multilingual 357M 模型，这是一个支持 12 种语言的多语言文本转语音（TTS）模型，采用编码器-解码器 Transformer 架构，拥有 364M 参数。该模型通过多码本预测和帧堆叠技术生成高保真语音，并支持批量合成和长文本生成。此次更新新增了阿拉伯语、韩语和葡萄牙语支持，移除了零样本语音克隆功能

亚马逊 Bee 发布两款新个人 AI 设备，起售价 75 美元

亚马逊旗下个人 AI 硬件品牌 Bee 在被收购后首次发布两款新产品：可佩戴在手腕或别在衣服上的 Bee Frontier（74.99 美元）和可磁吸在手机背面的信用卡大小设备 Bee Eclipse（99.99 美元）。两款设备延续用 AI 记录日常对话、生成摘要与待办事项的定位，并新增与 Amazon.com、Alexa+ 及第三方应用的集成，Bee P

另有 1 家信源报道

北欧与英伟达展示区域级先进计算生态进展

英伟达发布博客介绍北欧地区在先进计算领域的进展：北欧正成为欧洲增长最快的基础设施枢纽，预计到2027年底部署约1吉瓦AI云容量。瑞典由爱立信、阿斯利康等组成的财团推出基于NVIDIA DGX SuperPOD的共享超级计算机Sferical One。Spotify、ABB Robotics、Elisa等企业以及Stilta、Klang等初创公司基于英伟达基础

llama.cpp b11630 修复 ggml conv 1d 批量输入布局错误

llama.cpp 发布 b11630 版本，修复了 ggml 中 conv 1d 在批量输入下的结果布局错误：此前 GEMM 输出实际为 [OL, N, OC]，而 reshape 却声明为 [OL, OC, N]，导致通道与批次交错且无任何断言触发。修复后统一 reshape 为 [OC, N, OL] 并 permute 还原，所有批次大小构建相同计算