语音与音频

koboldcpp/tts：KoboldCpp 文本转语音模型集合

Hugging Face 上发布了 koboldcpp/tts 模型仓库，为 KoboldCpp 提供文本转语音（TTS）模型集合。该仓库说明了 OuteTTS、Kokoro、Parler、Dia、Qwen3 TTS（legacy）以及 Audio.cpp 等模型的使用方式，其中部分模型需要搭配对应的 tokenizer 或 WavTokenizer。此举方

Desert Ant Labs 发布设备端填充词检测模型 Uhm

Desert Ant Labs 在 Hugging Face 发布音频分类模型 Uhm，用于在设备端检测并定位音频中的“uh”“um”“hmm”等填充词，精度可达 20ms 帧级。模型支持 iOS、macOS、tvOS、visionOS，提供 Core ML、ONNX、LiteRT 等多种格式，并基于 distilhubert 微调。该模型以英语训练，通过声

parakeet.cpp 的 GGUF 格式 Parakeet 语音识别模型合集

开发者 mudler 在 Hugging Face 发布 parakeet-cpp-gguf 仓库，将 NVIDIA NeMo Parakeet 系列语音识别模型（含 tdt ctc-110m、ctc/rnnt/tdt 0.6b 与 1.1b、实时流式 EOU 模型等）转换为 GGUF 格式，供 C++/ggml 实现的 parakeet.cpp 在 CPU

Deepgram 收购 Pipecat 开发商 Daily，加码语音 AI 基础设施

语音 AI 基础设施公司 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 将永久保持开源和厂商中立。Daily 此前累计融资超 6200 万美元，Deepgram 今年完成 1.3 亿美元 C 轮融资跻身独角兽，两家公司同为 Y Combinator 2016 届校友。此次收购让

20人团队9个月用AI做出26万玩家买单的互动作品

约20人团队用9个月开发出超写实互动作品《不问凡尘》，上线三周在Steam获87%好评率、超26万玩家、预估近千万流水。项目依托火山引擎的Seedance、Seedream、Seed TTS等模型生成视频、图像和语音资产，并用TRAE与Agent工作流搭建自动化生产管线，制作成本约为传统方式的1/3。这验证了AI让小团队也能制作游戏，以及玩家愿意为AI深度参

Akai 以开源 MPC 拥抱 vibe coding 模组

Akai 尚未正式发布 MPC Sample Key，但已向模改社区提前提供设备，并计划开放其固件源码。Akai 在 Instagram 视频中展示了社区通过 vibe coding 制作的合成器模组，包括 Native Instruments Massive、虚拟模拟合成器和 FM 合成器，甚至还有完全自定义的操作系统。CEO Jack O'Donnell

NVIDIA RTX Spark 笔记本新增模型、Agent 工具与游戏支持

NVIDIA 宣布 RTX Spark Windows 轻薄笔记本已由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 上市，搭载 Blackwell RTX GPU 与 Grace CPU 超级芯片，最高 128GB 统一内存和 1 petaflop FP4 AI 性能。同时推出开源权重语音模型 Nemotron 3.5 Trans

llama.cpp b11946：server 新增 /v1/realtime 实时对话与转写

llama.cpp 发布 b11946 版本，在 server 中新增 /v1/realtime 接口，支持实时对话与语音转写，并附带默认连接 9931 端口的实时客户端示例。该提交还修复了多会话共享同一上下文时采样错位、导致并发输出混淆的问题，并将相关逻辑迁移至自包含的 server-realtime 模块。此次更新使 llama.cpp 本地推理服务具备

Whispering Wisely：面向ASR微调的智能子集选择

该论文提出一种基于嵌入的子集选择方法，用于降低Whisper等ASR模型的微调成本。研究者利用Whisper预训练编码器将音频样本映射到固定维度嵌入空间，并用贪心k-center算法挑选多样且具代表性的训练子集。在希伯来语和丹麦语上的实验表明，k-center选择在较小样本预算下常优于随机采样，且子集词汇多样性更高，为低资源语言ASR微调提供了实用策略。

Audio Flamingo 系列 GGUF 量化版发布

Hugging Face 上发布了 audio-cpp/Audio-Flamingo-GGUF 仓库，将 NVIDIA 的 Audio Flamingo 3、Audio Flamingo Next 和 Music Flamingo 打包为 GGUF 格式，供 audio.cpp 运行时使用。这些自包含文件包含模型张量、tokenizer、配置和模型规格，支持

Transformers v5.21.0 发布：新增多款模型支持

Hugging Face Transformers 发布 v5.21.0，新增 MiniCPM-OCR、Flint、UltraVBert、Gradium Phonon TTS、Pocket TTS 及其音频分词器等多个模型支持。其中 MiniCPM-OCR 面向文档理解，Flint 为 Recursive 的混合注意力 MoE 语言模型，Pocket TTS

多模态预测自闭症与非自闭症双人对话的感知成功度

马里兰大学和德克萨斯大学达拉斯分校的研究者提出一种多模态方法，利用发音协调、面部动作单元、音高、强度和轮流发言等特征，在三个包含自闭症与非自闭症参与者的自发双人对话数据集上预测参与者主观感知的对话成功度。研究发现对话成功本质上是多维的，需要多层面分析框架，融合互补模态有望提升预测效果。

值得关注的 AI 可穿戴设备与随身硬件盘点

TechCrunch AI 汇总了当前市场上值得关注的 AI 可穿戴设备与随身硬件，涵盖 Bee、Friend、Limitless、Meta 的 Muse Charm、Nirva、Omi、Plaud NotePin 和 Rabbit R1 等产品。这些设备多以吊坠、手环或卡片形态实现持续录音、转录、提醒与情感陪伴，价格从 49.99 美元到 249 美元不等

Dasheng：大规模通用音频编码器

Hugging Face 上发布了 Dasheng（大声）通用音频编码器模型 mispeech/dasheng-base，采用 Apache-2.0 许可。该模型基于 272,356 小时多样化音频数据自监督训练，参数量 12 亿，覆盖语音、音乐和环境声。在 HEAR 基准及 CREMA-D、LibriCount、Speech Commands、VoxLin

Block 推出纯语音训练的 AI 模型 Dessa，可捕捉文本模型遗漏的情绪

Block（Square 和 Cash App 的母公司）发布了一款名为 Dessa 的语音 AI 模型，号称是首个完全基于人类语音、不含任何文本数据、从零训练而成的模型。Dessa 直接以音频形式处理语音，能实时捕捉情绪、讽刺、笑声和停顿，并支持全双工交流，可在 MacBook Pro M4 Max 上本地运行。该模型目前尚未公开，团队正招募 AI 安全研

llama.cpp b11850 新增 Soprano TTS 支持

llama.cpp 发布 b11850 版本，在 mtmd 模块中新增对 Soprano TTS 的支持，将 Soprano-80M 与 Soprano-1.1-80M 作为音频生成模型接入，其结构为 Qwen3 主干加 Vocos 解码器，以仅生成式 mmproj 形式运行。改动包括转换脚本识别 Soprano 检查点、新增 soprano 预分词器、mt

Block 发布 Dessa 语音模型：纯人类对话训练，可本地运行

Jack Dorsey 旗下 Block 发布了一个名为 Dessa 的 AI 模型，该模型完全基于人类对话数据从零训练，是真正的语音到语音模型，可在 MacBook Pro M4 Max 或更高配置上本地运行。Block 展示了 Dessa 与人类的对话示例，效果自然但偶尔略显尴尬。团队表示开发动机包括好奇心、增进人机理解以及安全考量，并将向一小部分 AI

另有 1 家信源报道

科大讯飞首发星辰TaaS平台，发布星火X2.6与Agent OS

10月22日，科大讯飞在2026全球1024开发者节上发布端云一体星火X2.6（上下文窗口扩至百万Tokens并开源4B端侧模型）、星火语音基座大模型SparkAudio 1.0、智能体协同平台Agent OS及星辰TaaS平台等成果。讯飞开放平台同时推出新一代人机交互方案与XFYUN CLI开发工作台，开发者规模达1187万。星辰TaaS构建从模型能力到行

llama.cpp b11828：修复 realtime API 音频提交完成时机

llama.cpp 发布 b11828 版本，修复了 server 端 realtime API 的音频提交完成时机问题。此前以流耗尽作为完成触发的代理判断，会导致尾部排空期间追加的音频混入已提交项、排空前最后一次提交合并两项、连续提交被合并。新方案通过 mtmd audio stream flush() 记录刷新音频结束时的行数，并在 slot 中维护结束

Vercel AI SDK 7.0.150 新增实验性流式语音 API

Vercel AI SDK 发布 ai@7.0.150 补丁版本，新增实验性 API experimental streamSpeech，可从字符串或文本增量流中流式生成语音音频，并返回 audioStream、fullStream、usage 等结果。该功能依赖实现 Experimental StreamingSpeechModelV4 扩展的语音模型，同