微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，词错误率 2.50%、延迟 0.13 秒居首

微软于 10 月 1 日推出首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，可在讲话进行时持续输出文字，支持 60 种语言和自动语言检测。

OpenRouter@OpenRouterAI 评分5555

OpenRouter 上线 Microsoft AI 的 MAI-Voice-2.1-Flash 语音模型，主打低延迟与规模化，可在 150ms 内生成 45 秒音频。该模型支持 23 种语言并保持同一声音的原生口音，价格为 $15 per 1M characters，面向语音智能体、助手和呼叫中心等实时场景。

Artificial Analysis@ArtificialAnlysAI 评分6262

Microsoft AI 发布流式语音转文本模型 MAI-Transcribe-2-Streaming，在 AA-WER Streaming 的 Final Transcript 和 First Partial Transcript 两项准确率上排名第一。

Microsoft AI 发布 MAI-Transcribe-2-Streaming 及 MAI-Voice-2.1 语音模型

Microsoft AI 发布实时流式转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的最终与部分转写准确率均排名第一，支持 60 种语言，接收到音频后约 100ms 内产出首个 partials，内部评测显示实时听写场景出词速度比最接近的竞品快 2x，年底前 introductory 价 $0.54 每小时音频。

AK@_akhaliqAI 评分4141

Audio8 ASR Infinite 是一款原生流式语音识别模型，每秒解码 12.5 次，采用滚动 KV Cache 使内存和延迟在 7×24 小时运行中保持恒定。模型每个时钟步输出一个文本 token（每秒 12.5/8.3/6.25 次决策），平衡感知粒度与资源开销。HuggingChat 实习生搭建了 Gradio 工作流可供试用，模型已在 Hugging Face 开源。

inclusionAI 开源 Ming-UniAudio-16B-A3B-Edit 统一语音理解、生成与编辑模型

inclusionAI 发布 Ming-UniAudio-16B-A3B-Edit，统一语音理解、生成与编辑，核心是基于 VAE 和因果 Transformer 的连续语音分词器 MingTok-Audio，整合语义与声学特征。

inclusionAI 发布开源语音模型 Ming-UniAudio-16B-A3B，统一语音理解、生成与编辑

inclusionAI 发布 Ming-UniAudio 框架及 Ming-UniAudio-16B-A3B 模型，统一语音理解、生成和编辑，核心是基于 VAE 与因果 Transformer 的连续语音 tokenizer MingTok-Audio。

Google AI@GoogleAIAI 评分5858

Google AI 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，支持 100+ 语言自定义声音和 2,000+ 现成声音，可逐行控制语气并添加 <laughs>、|mhm| 等自然提示，生成数小时一致、无毛刺的音频。

Google DeepMind@GoogleDeepMindAI 评分5252

Google DeepMind 发布两款文本转语音模型。Gemini 3.8 Flash TTS 可设计带独特口音和特征的自定义音色；Gemini 3.8 Flash-Lite TTS 面向效率与规模化，可选用自建风格或官方生产就绪音色库。

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词设计角色声音、30 秒音频样本复刻声音，并逐行指挥表演。

Qwen@Alibaba_QwenAI 评分6464

千问（Qwen）发布 Qwen-Audio-3.1，升级 ASR、TTS 和 Realtime 三款模型，并新增面向音频创作的 TTS-Next 和面向音频理解的 ASR-Next，共五款模型覆盖理解、生成、交互与创作。

inclusionAI 开源全双工交互系统 Realtime-Venus，含 Omni 与 Audio 两个 9B 模型

inclusionAI（Venus Team，蚂蚁集团与清华大学）在 Hugging Face 开源 Realtime-Venus，包含基于 MiniCPM-o 4.5 的 9B 视听交互模型 Realtime-Venus-Omni 和纯音频模型 Realtime-Venus-Audio。

SpaceXAI@SpaceXAIAI 评分3535

推出 Grok Voice Transcribe 2.0。它是全球最准确的语音转写模型。

Logan Kilpatrick@OfficialLoganKAI 评分6464

Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音模型，称其在实时语音上达到 SOTA 并兼具前沿价格与性能。3.8 Live 支持 97 种语言可无缝切换、异步工具调用等能力；附图 Artificial Analysis Speech to Speech Index 显示 Gemini 3.8 Live Extended Thinking 得分 82.6%，高于 GPT-Live-1 Astra 的 81.5%。

Google AI@GoogleAI精选AI 评分7474

Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音模型。

Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型

Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两个实时语音对话模型，主打近实时推理与语音智能体。

Microsoft MAI 发布语音识别模型 MAI-Transcribe-2

Microsoft MAI 发布转写模型 MAI-Transcribe-2，在 FLEURS 基准 60 种语言上以平均词错率 5.2% 排名第一，定价每小时音频 $0.10（年底前限时）。

Google AI Developers@googleaidevsAI 评分4747

🗣️💬 欢迎 Gemini 3.5 Transcribe，一款真正理解你代码库的语音转文本模型。 来看看这款最新模型如何在 @Antigravity 中构建时，过滤掉口语中的犹豫词，同时将技术术语、文件名和代码变量精准地锚定到当前上下文。通过使用视觉偏置，该模型为复杂的开发者工作流带来了深度的、屏幕感知的上下文。

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览版

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，两款模型均进入公开预览。

Microsoft 发布 MAI-Voice-2 文本转语音模型

Microsoft 发布文本转语音模型 MAI-Voice-2，在保真度、语言覆盖、说话人一致性和情感范围上较前代显著提升。支持语言从英语扩展到 15 种，提供情感标签细粒度控制，可用 5-60 秒参考音频零样本创建自定义声音，且生产环境仅允许授权声音合成。

Microsoft Build 2026 发布 MAI 系列七款新模型，含首个推理模型 MAI-Thinking-1

Microsoft MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。

Google DeepMind 发布 Gemini 3.1 Flash TTS，新增 audio tags 语音控制

Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，改进可控性、表现力和质量，在 Artificial Analysis TTS 排行榜获得 1,211 Elo 分。

Microsoft 发布 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2 三款模型并上线 Foundry

Microsoft AI 宣布发布 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2 三款模型，现已在 Microsoft Foundry 和 MAI Playground 开放。

Mistral AI 发布首个语音合成模型 Voxtral TTS

Mistral AI 发布 4B 参数的文本转语音模型 Voxtral TTS，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，API 定价 $0.016 per 1k characters。

Mistral 发布 Voxtral Transcribe 2 语音转写模型，Realtime 开放权重

Mistral 发布 Voxtral Transcribe 2 系列，包含 Voxtral Mini Transcribe V2（批量转写）和 Voxtral Realtime（实时转写），支持 13 种语言的说话人分离、上下文偏置和词级时间戳。

Microsoft AI 发布 MAI-Voice-1 语音模型并开始公测 MAI-1-preview

Microsoft AI（MAI）发布两款自研模型：语音生成模型 MAI-Voice-1 已用于 Copilot Daily 和 Podcasts，并上线 Copilot Labs 体验。

Mistral 发布语音理解模型 Voxtral，24B 与 3B 双版本采用 Apache 2.0 开源

Mistral AI 发布语音理解模型 Voxtral，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。

Suno 发布 v3 模型，可生成广播级两分钟完整歌曲

Suno 发布 v3 模型，称其首个能生成广播级音乐的模型，已在 https://app.suno.ai 向所有用户开放。v3 可在几秒内生成完整两分钟歌曲，改进包括更好的音质、更多风格流派、更少幻觉和更自然的结尾。模型不识别艺术家引用，并采用不可闻水印技术检测 Suno 生成的歌曲，v4 已在开发中。