AI 語音、音樂與即時對話
Block 語音模型 Dessa：純靠人聲訓練，M4 Max 都跑得動
Block 旗下 AI 團隊近日發布全雙工語音對語音模型 Dessa，純粹用「人類對話音訊」訓練，唔經文字轉碼；官方稱可在 M4 Max MacBook Pro 本機運行，目前僅限 AI 安全研究人員申請。
AI 語音、音樂與即時對話
AI 語音、音樂與即時對話
Perplexity Mac app 語音模式換底層，接上 OpenAI gpt-live-1
由今日起，Perplexity 將 Mac app 語音模式底層換入 OpenAI 今年年初發布嘅 gpt-live-1，呢個模型可以喺開口講嘅同時繼續聽用户講。呢個升級為 Pro 同 Max 訂閲户增強整體體驗。
AI 語音、音樂與即時對話
傳 Google 為 Gemini Live 開發離線模式，Beta 版 code 露端倪
Android Authority 喺 Android Google app beta 版（v17.71.17）揾到引用「Use Gemini Live without an internet connection」嘅 code。功能仲未推出，運作方式、相機同畫面分享支援有冇，全部未明。
AI 語音、音樂與即時對話
Granola 學到開聽寫 同場聽寫手 Wispr 反學開會筆記
開會助手 Granola 上日開咗聽寫功能，同早幾個月加咗開會筆記嘅聽寫 app Wispr 對住打；估值分別 15 億、20 億美元嘅兩間公司行咗幾個月之後，產品線撞埋一齊。
AI 語音、音樂與即時對話
Block 出全雙工語音模型 Dessa 本地跑得到但規格全黑箱
Block AI lab 發布只用人聲對話音訊訓練嘅全雙工 speech-to-speech 模型 Dessa，宣稱喺 MacBook Pro M4 Max 本地運行，但未公佈模型規模、基準或權重。
AI 語音、音樂與即時對話
AssemblyAI 推 TTS-1：每百萬字 15 美元、唔使簽合同、開放 6 種語言
AssemblyAI 29 日推出首個文字轉語音（text-to-speech）模型，主打語音代理，每百萬字計費、無須簽合同即可無限並發。
AI 語音、音樂與即時對話
聲網趙斌提五級對話能力：即時語音AI點樣先算真會聊
iRTE2026即時智能大會剛落幕，十余場論壇、百場分享聚焦對話式AI。聲網CEO趙斌提出「快慢腦」協作同五級對話能力框架，聲稱OpenAI、Google亦選用其底層技術。
AI 語音、音樂與即時對話
語音 AI 仲未齊工：識別、速度同情緒三關卡關，主管都認未到爆發期
PolyAI 同 Otter 高管指語音 AI 距離「ChatGPT 時刻」仍有明顯距離，自動語音辨識漏字、推論速度同情緒表達係三條最大弱點。
AI 語音、音樂與即時對話
Ollama 加咗語音模型 Phonon：本地文字轉語音，邊生成邊播
本地模型運行平台 Ollama 喺 2026 年 10 月 24 日宣佈支援語音模型，首個模型係 Gradium 開發嘅 Phonon，現已喺 macOS 上線，聲線可喺生成同時流式播放。
AI 語音、音樂與即時對話
Block 推全新語音模型 Dessa：完全用人聲訓練，唔經過文字轉化
Block 話 Dessa 係首個完全用人類語音訓練、冇任何文字資料嘅 AI 語音模型，可即時識別情緒、反諷、笑聲同停頓，但仲未對外開放。
AI 語音、音樂與即時對話
聲網趙斌提五級對話框架：由問一句答一句，到理解一個人
10月23日北京 iRTE2026，聲網 CEO 趙斌拋出「五級對話能力」框架，話足實時對話底層要幾多低延遲同全雙工（full duplex），先至有講頭。
AI 語音、音樂與即時對話
CarPlay 版 Google 地圖開放 Gemini 對話，美國先用、全球跟緊
Google 首次為 CarPlay 版 Google 地圖加語音助理，駕駛可自然對話查詢地點、避開收費路，甚至語音回報塞車。功能 10 月 21 日美國先上，其他地區陸續跟進。
AI 語音、音樂與即時對話
Amazon Polly 語音引擎大升級 14 條新聲線加印地語同芬蘭語
AWS 旗下語音合成服務 Polly 嘅生成式引擎全面升級，新增 14 條聲線、首次覆蓋印地語同芬蘭語，並可視文字情緒自動調整語調，舊應用唔使改 API。
AI 語音、音樂與即時對話
IBM 推 Granite Speech 5.0 多語言語音模型 開放權重、跑分係廠商自評
IBM 21 日更新三個 Granite Speech 模型：新 2B 多語言轉寫模型開放權重、支援 Apple Silicon，邊緣小模型 Turbo CTC 速度提升約 1.6 倍，多講者轉錄 WDER 降 7%。
AI 語音、音樂與即時對話
Elevenlabs 出 Eleven Realtime：你講佢聽，0.57 秒應你
Elevenlabs 推出 v1 Max 同 v1 Mini 兩款即時語音對話模型，Max 喺 Big Bench Audio 得 98.8%、反應 0.57 秒，可經 OpenAI 兼容 Realtime API 使用。
AI 語音、音樂與即時對話
Mistral 出聲：Voxtral 3 全聲學堆疊，聽、諗、開口一條流
Mistral AI 今日正式推出 Voxtral 3，整合語音轉文字、文字轉語音同聲學代理 SDK 成即時流水線，支援逾 50 種語言，由聽、諗、開到口到落單，全部喺度完成。
AI 語音、音樂與即時對話
Mistral 出 Voxtral 3 語音 Agent：50+ 語言即時對話，可 EU 託管亦可以自行部署
Mistral 喺 2026 年 10 月 20 日推出 Voxtral 3 語音模型系列同 voice agent SDK，主打聽、想、調工具、開口四個環節串成實時流程。
AI 語音、音樂與即時對話
你個聲唔啱就消失，AI 幫你錄返份「你」
ALS 病人 Jules Rodriguez 聲線逐日退化，AI voice clone 連口吃、呼吸、聲調都照樣還原，佢太太第一聽就哭了。舊式 voice banking 同新技術差唔多，差喺「似唔似人」。
AI 語音、音樂與即時對話
TII 出 Falcon-ASR：1.6B 阿拉伯語語音模型 字錯率 20.92%
TII 發布聚焦阿聯酋嘅阿拉伯語語音辨識模型 Falcon-ASR，1.6B 參數，6 個測試集平均 WER 20.92%；權重同 API 未開放。
AI 語音、音樂與即時對話
投資幾十億入語音 AI，執行組都話未到「ChatGPT 時刻」
語音 AI 被當做下一個大接口，但 PolyAI、Otter 兩間公司高層都承認：ASR 漏詞、轉寫出錯，整條 pipeline 一斷就全錯。