Underdog 发布 32MB Woof 语音模型支持浏览器离线运行
Underdog 发布了 32MB 的 Woof 语音模型，该模型包含 3100 万参数，可在浏览器内离线运行，支持用户在游戏中通过键盘输入并获得语音反馈。该公司还发布了 167MB 的 Bark 语音转文本模型，以及一个可在笔记本上运行的 270 亿参数模型，旨在提供本地化、保护用户数据的 AI 替代方案。
#语音
TechCrunch · AIAI 评分6666
The Verge · AIAI 评分6565 Apple 允许 Siri AI 访问第三方应用并支持应用技能
iOS 27.3 更新允许 Siri AI 在所有第三方应用中执行操作，用户无需提及应用名称即可完成请求。新推出的“app skills”功能允许第三方开发者将多个任务整合为单一动作，Apple 也将扩展能力引入其自带应用，如日历、邮件和地图等。
The Verge · AIAI 评分2020 Apple watchOS beta 包含新的 always-on Audio Intelligence 功能
watchOS 27.3 developer beta 中引入了 Audio Intelligence 功能，包括使用“ambient listening”生成对话摘要的 Siri Recap 和生成过去 15 秒音频文本记录的 Live Rewind。
AWS Machine Learning BlogAI 评分4545 Building ultra-low-latency voice AI applications on AWS
Cartesia 利用 State Space Models (SSMs) 和 AWS 基础设施，实现全球规模的 sub-100ms text-to-speech 和 speech-to-text。
TechCrunch · AIAI 评分3131 Granola 推出听写功能以与 Wispr 竞争
Granola 推出听写功能，支持 Mac 上的 Fn 键启动，可跨所有应用清理和格式化语音，提供无限词免费使用。该功能目前在 Mac 上可用，后续将登陆 iOS 和 Windows。Granola 专注于会议自动化和笔记记录，而 Wispr 估值 $2 billion 正在构建自有模型。
The Decoder精选AI 评分8888 Nvidia 开源 Nemotron 3.5 Transcribe 结合转录 翻译和说话人识别
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，该模型支持 40 种语言转录，31 种语言互译，并识别 13 种语言中的说话人，可处理长达一小时的录音。该模型拥有 300 亿参数，但每处理步骤仅激活约 40 亿参数，可在单张 Nvidia GPU 上运行，并在 Hugging Face 英文 Open ASR Leaderboard 上位居开源模型第一。
推荐理由：Nemotron 3.5 Transcribe 集成了转录、翻译和说话人识别，在多个基准测试中表现优于同等计算量的开源模型。
TechCrunch · AIAI 评分6464 Nvidia 发布 Nemotron 3.5 Transcribe 开放转录模型
Nvidia 发布了免费开放权重的 Nemotron 3.5 Transcribe 模型，支持多达 40 种语言的音频转录，并发布了 Granary 数据集 2.0 版本。该模型可将 31 种语言翻译到和从英语，处理长达一小时的录音，并区分多达八个说话者，可部署于 Jetson AGX Thor 和 DGX Spark 等单芯片设备。
OpenAI NewsAI 评分2323 Retell 使用 OpenAI models 驱动每月 100M 通话
GPT-6 Astra 领先 Retell 的语音智能体基准测试，Retell 利用 OpenAI models 驱动每月 100M 通话。Codex 帮助 Retell 实现每位员工 $1.6M 的年收入运行率。
Ars Technica · AIAI 评分1515 Apple 发布 iOS 和 macOS 27.2 包含新的 Siri AI 功能和 Music logo
Apple 发布 iOS 和 macOS 27.2，新增 Siri AI 功能，允许用户限制 Siri 直接访问的应用。本次更新还包含新的 Music logo。
AWS Machine Learning BlogAI 评分5151 Amazon Polly Generative engine 升级提供更自然准确的语音输出
Amazon Polly Generative engine 升级提供更自然、更准确的语音输出，新增 14 个语音，印地语和芬兰语首次通用化。此升级为现有生成式语音的无缝升级，无需修改现有应用代码，并支持低延迟流式传输。