MAI 登顶 OpenRouter 转录模型榜
Mustafa Suleyman 表示，MAI 已成为 OpenRouter 上在所有语言和使用场景中最准确、最受欢迎的转录模型，并邀请开发者将其用于智能体。
#语音
RadarAIAI 评分2828
RadarAIAI 评分4242 Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布，5 种语言平均 WER 3.54
开源多语言 ASR 模型 Hojo-ASR-Multi-V1 在 5 种语言上平均 WER 为 3.54，采用声学编码器加 Qwen3-4B 解码器的架构。该模型面向多语言对话语音识别，以 Apache 2.0 许可在 Hugging Face 公开，可通过 hojo-asr Python 包安装并支持本地推理，接受 WAV 路径、音频字节流和 SCP 输入。
RadarAIAI 评分6666 蚂蚁与清华开源 Realtime-Venus 实时多模态系统
蚂蚁联合清华开源 Realtime-Venus，定位为 OpenAI Realtime API 的替代方案，面向智能硬件与车载场景。该系统采用双循环架构，由两个 9B 模型与 Harness 构成，前台用 Realtime-Venus-Omni 进行音视频感知，实现全双工语音交互，并支持后台复杂 Agent 任务异步执行。
RadarAIAI 评分5050 小米开源空间音频理解大模型 MiDashengLM-Spatial
小米开源空间音频理解大模型 MiDashengLM-Spatial，完整公开模型权重和推理代码，采用 Apache 2.0 许可证。该模型以 MiDashengLM-7B 为基座，在保留基础音频理解能力的同时增加空间感知与推理能力，小米称其为业界首个开源的端到端空间音频理解大模型，将陆续应用于智能家居和汽车座舱场景。
RadarAIAI 评分6060 IBM 发布 Granite Switch 4.1 模型：单端点同时支持对话、决策与语音转写
IBM Granite 团队发布 Granite-Switch-4.1-8B 和 -30B 模型，把 Decision aLoRA、专用 Guardian aLoRA 与 Granite-Speech-5.0-Turbo-CTC 组合进单一托管端点，可在对话、通用与专用决策、语音转写之间切换，显存占用约等于基础模型本身。
OpenAI 部署安全与系统卡AI 评分3232 OpenAI 发布 GPT-Live-1.1 系统卡
OpenAI 发布 GPT-Live-1.1 与 GPT-Live-1.1 Quip 的系统卡，说明两款模型基于互联网公开数据、第三方合作数据及用户与人工训练师提供的数据训练，数据处理流程包含严格过滤以降低个人信息与有害内容。系统卡还给出针对违禁内容的语音原生评估，并提示此前已发布模型的对比数值取自其最新版本，可能与发布时数值略有差异。
RadarAIAI 评分4747 ElevenLabs 盲测：Eleven v4 在八语种中表现更富表现力
ElevenLabs 将最新语音模型 Eleven v4 与其他模型在八种语言中进行盲测，听众在每项测试中都认为 Eleven v4 更具表现力。
RadarAIAI 评分6262 ElevenLabs 发布 Eleven v4 与 v4 Turbo 语音模型
ElevenLabs 发布 Eleven v4 和 Eleven v4 Turbo，官方称这是其速度最快、情感表现最强的语音模型。官方表示该模型在 Artificial Analysis 排名第一，更多信息见 https://x.com/ElevenLabs/status/2104572127617994917。
RadarAIAI 评分7171 xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音对语音指数
xAI 发布语音对语音模型 Grok Voice 3.0，在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一，高于 GPT-Live-1（Astra, medium）的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分。
RadarAIAI 评分3838 SpaceXSI 发布 Grok Voice 3.0 语音模型
SpaceXSI 发布面向客服通话的语音到语音模型 Grok Voice 3.0，称响应时间不到一秒、延迟降低 40%。同时 Grok Bot 市场开放开发者提交连接器、插件和 MCP server。
RadarAIAI 评分6666 Musk 称 Grok Voice 3.0 登顶 Artificial Analysis 语音模型评测
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶 Speech to Speech Index。
RadarAIAI 评分5555 SpaceXSI 发布 Grok Voice 3.0 语音模型
SpaceXSI 发布 Grok Voice 3.0，称其为全球最智能的语音到语音模型，擅长处理客服通话，响应时间低于一秒，成本低于其他前沿模型。Grok Bot 工程负责人 Lauren Tan 转发该消息并建议在 Grok Bot 中试用。
RadarAIAI 评分7171 SpaceXAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音指数
SpaceXAI 发布 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech Index 以 86.9 分居首，超过 OpenAI 与 Google，GPT-Live-1（Astra, Medium）为 83.2。
RadarAIAI 评分6262 Grok Voice 3.0 在语音到语音指数中以 86.9 分排名第一
Artificial Analysis 的分析显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 的分数在语音到语音指数中排名第一，明显优于其前代产品和现有竞争对手，同时保持了有竞争力的低延迟。该分析还对比了 Grok Voice 3.0 与 GPT-Live-1 和 Gemini 3.8 Live，并考察了其在语音推理、代理性能和偏好评级中的表现。
RadarAIAI 评分6666 Artificial Analysis 评测：Grok Voice 3.0 以 86.9 分登顶语音到语音模型榜
Artificial Analysis 的 Speech to Speech Index 显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分首秀登顶。
RadarAIAI 评分7171 xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音对语音指数
xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 的 Speech-to-Speech Index，超过 OpenAI 和 Google，GPT-Live-1（Astra, Medium）为 83.2。
RadarAIAI 评分5858 xAI 发布 Grok Voice 3.0 语音转语音模型，延迟降低 40%
SPACEXSI 宣布推出 Grok Voice 3.0，这是一个语音转语音模型，在多个基准测试中领先，延迟降低 40%，适合 AI 呼叫中心应用。该推文称其在语音识别与响应技术上取得明显进步，但材料仅提供摘要，未给出具体基准名称与测试数据。
RadarAIAI 评分6262 xAI 发布 Grok Voice 3.0，称在多项基准与 Artificial Analysis 语音到语音指数上达到 SOTA
xAI 公布 Grok Voice 3.0，称其在多项基准和 Artificial Analysis Speech-to-Speech Index 上成为 SOTA 语音到语音模型，延迟降低 40%。引用内容称该模型擅长处理客服来电，响应不到一秒，成本低于其他前沿模型。对比图中 Grok Voice 3.0 的 Agent 成功率为 71.6%，高于 Grok Voice 2.0 的 56.5%。
RadarAIAI 评分7171 Fish Audio Drama 3 Preview 登顶 Artificial Analysis 开源语音合成榜单
Artificial Analysis 榜单显示，Fish Audio 的 Drama 3 Preview 成为排名第一的开源权重语音合成模型，发音鲁棒性得分 93.2%，超过 Eleven v4 的 91.7% 和 Eleven v4 Turbo 的 90.1%。
RadarAIAI 评分5858 Fish Audio 发布开放权重 TTS 模型 Drama 3，支持句中单词级语气控制
Fish Audio 发布开放权重 TTS 模型 Drama 3，称其为最具情感表现力和可控性的 TTS 模型。该模型支持在句中重设单个单词的语气，方向提示用方括号以自然语言书写，可用英文或用户自己的语言；成对标签如 Whisper、Slower 或 Forceful 只包裹选定词语，使一句话可中途从平稳转为低语。Fish Audio 此前完成 5200 万美元种子轮融资，用户超过 1500 万。
RadarAIAI 评分5555 火山引擎推出语音内容编辑模型，可用自然语言指令改音频词汇
火山引擎多媒体实验室推出指令驱动的语音内容编辑模型，用户可通过自然语言指令（如「把 A 改成 B」）直接修改音频中的具体词汇。该模型在实现局部内容纠错的同时，最大程度保留原说话人的音色、韵律与上下文衔接，将语音编辑从传统的波形剪辑或重录转向 AI 内容编辑，可用于修正口播错误或修订广告词。
RadarAIAI 评分3434 TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型，平均 WER 20.92%
阿布扎比 TII 发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，聚焦阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语，5 种语言共用一套权重。
RadarAIAI 评分4747 HeyGen Voice 登顶 Artificial Analysis 受控语音 TTS 竞技场榜首
HeyGen Voice 在 Artificial Analysis 受控语音 TTS 竞技场以 Elo 1,201 登顶，超过 Qwen-Audio-3.1-TTS-Plus（1,182）和 Eleven v4 Turbo（1,166）。其发音鲁棒性得分 83.1%，定价 $30/1M 字符，生成速度为每秒 40 字符。
Hacker NewsAI 评分7171 Cactus Compute 发布 16.9 MB 语音识别模型 Whistle
Cactus Compute 发布语音识别模型 Whistle，单个文件 16.9 MB，在 CPU 上无依赖运行，支持英语、德语、法语、西班牙语、意大利语、荷兰语和波兰语七种语言，首 token 延迟 11 ms。
RadarAIAI 评分4040 Paradee-8M v1.0 发布：8M 参数、蒸馏自 Kokoro-82M 的 CPU 实时 TTS 模型
Paradee-8M v1.0 是一款仅 8M 参数的开源英文 TTS 模型，蒸馏自 Kokoro-82M，可在单线程 CPU 上实现高质量实时推理。该模型明确仅支持英文，提供模型下载和在线体验链接。
科技媒体 RSSAI 评分3434 TII 发布 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型
TII 发布 Falcon-ASR，这是一个 1.6B 参数的阿拉伯语语音识别模型，重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
科技媒体 RSSAI 评分3838 Smallest AI 的 Pulse 登顶 Voice Arena 说话人分离榜
Smallest AI 的 Pulse 在 Voice Arena 的 Diarization + ASR 赛道以 24.4% DER（0 ms collar）排名第一，错误率比第二名 ElevenLabs Scribe v2 的 40.7% 低 1.7 倍。
Hacker NewsAI 评分2727 Amazon Nova 2.5 Sonic：面向语音智能体的语音到语音模型
Amazon 推出 Nova 2.5 Sonic 语音到语音模型，面向语音智能体场景。该模型可直接完成语音输入到语音输出的转换，省去传统语音识别加文本转语音的中间环节。目前该消息来自 Hacker News，具体参数、可用性与定价尚未披露。
科技媒体 RSSAI 评分3434 Eleven v4 Turbo 登顶 Artificial Analysis Provider Voice TTS Arena 榜首
ElevenLabs 的 Eleven v4 Turbo 在 Artificial Analysis 语音 TTS Arena 榜单中以 Elo 1334 位列 Provider Voice 第一。
科技媒体 RSSAI 评分6262 Tavus 发布人类交互模型 Griffin，近半数测试者误认为在跟真人通话
美国 AI 视频公司 Tavus 于 10 月 1 日发布名为 Griffin 的模型，并将其定义为全球第一个人类交互模型（Human Interaction Model，简称 HIM）。
科技媒体 RSSAI 评分6262 Microsoft AI 发布 MAI-Transcribe-2-Streaming 流式语音转文本模型，登顶 Artificial Analysis 实时榜单
Microsoft AI 于 2026 年 10 月 1 日发布首个流式语音转文本模型 MAI-Transcribe-2-Streaming，并称其登顶 Artificial Analysis 实时榜单。同时推出 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 两个语音生成模型。
FutureTools 资讯AI 评分6060 Microsoft 发布 MAI-Voice-2.1 文本转语音模型，支持即时声音匹配
Microsoft 发布 MAI-Voice-2.1 文本转语音模型，支持即时声音匹配。该模型来自 microsoft.ai，目前仅有摘要信息，具体能力与开放方式尚未披露。
FutureTools 资讯AI 评分4242 Inception Labs 推出 Mercury Voice：面向低延迟语音智能体的扩散 LLM
Inception Labs 推出 Mercury Voice，一款专为低延迟语音智能体打造的扩散 LLM。该模型面向语音智能体场景，主打低延迟表现。
FutureTools 资讯AI 评分6262 ElevenLabs 发布 Eleven v4 语音合成模型，Turbo 延迟 100ms
ElevenLabs 发布 Eleven v4，官方称其为表现力最强的 TTS 模型，Turbo 模式下延迟为 100ms。目前仅有摘要信息，具体能力与开放方式尚未披露。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
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，前者面向角色设计与逐行表演指导，后者面向高并发配音与语音智能体。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演和多语言能力，可据此判断语音生成工作流的变化。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：原文给出两款语音模型的基准成绩与开放渠道，读者可据此判断语音智能体的能力与成本位置。
OpenAI 部署安全与系统卡AI 评分2222 OpenAI 发布 GPT-Live 系统卡
OpenAI 公布 GPT-Live-1 与 GPT-Live-1 mini 的系统卡，两款模型基于互联网公开数据、第三方合作数据及用户与人工训练师提供的数据训练，并经过严格过滤以减少个人信息与有害内容。