微软最强转录 AI 模型：MAI-Transcribe-2 登场，60 语种平均词错误率 5.2%

微软昨日（9 月 3 日）发布博文，宣布推出 MAI-Transcribe-2，宣称是其最快、最准确、最便宜的 AI 语音转文字模型。

谷歌发布 Gemini 3.5 Transcribe 语音转文本模型，能自动删除口头禅

这款 AI 模型可自动删除语音中的口头禅、修正错误内容，语音转录速度提升约 70%，实时语音错误率降至 5.5%，还支持自定义词汇表。但智能润色可能改变原措辞，不适合需保留原···

阿里推出国内首个 AI 语音平台 CosyVoice Studio，限时免费体验

该平台基于自研语音模型 Qwen-Audio 打造，包含语音记录 CosyFlow、语音智能体 CosyAgent 和音频内容创作工具 CosyCreative 等功能。

腾讯混元发布语音识别模型 Hy ASR 3.0 preview，元宝已首发上线

腾讯混元今日发布了新一代语音识别模型 Hy ASR 3.0 preview。

阿里发布 Qwen-Audio-3.0-ASR-Flash 语音识别大模型，让 AI 更好听懂专业词汇

Qwen-Audio-3.0-ASR-Flash 主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时让模型具备语音润色能力，可直接输出结构化文本。

马斯克旗下 SpaceXAI 最智能 AI 语音模型，Grok Voice Think Fast 2.0 登场

埃隆 · 马斯克（Elon Musk）旗下 SpaceXAI 公司昨日（7 月 29 日）发布 Grok Voice Think Fast 2.0，是其功能最强大、最智能的语音对语音（speech-to-speech） AI 模型。

OpenAI 将打造“贾维斯”式语音助手，未来有望登陆第三方智能眼镜

人类长期依靠点击、键盘输入完成的大量操作，未来都有可能被 AI 接管。布罗克曼表示：“我认为，我们终有一天会发现，点击和输入只是人机交互发展中的一个阶段，从来不是人···

位列 Artificial Analysis 榜首，阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS

包含面向实时交互的 Flash 版本（首包延时 300ms 级别）和面向高质量生成的 Plus 版本。

OpenAI 最智能语音模型：GPT-Live-1/mini 登场，边听边说让 AI 对话更接近真人聊天

OpenAI 今天（7 月 9 日）发布 GPT-Live 系列模型，定位新一代全双工语音模型，可同时聆听与说话，让 AI 对话感觉更接近真人。

OpenAI 更新 2.1 系列 GPT Realtime AI 模型，p95 延迟至少降低 25%

OpenAI 昨日（7 月 7 日）发布公告，宣布在其 API 调用中，新增 gpt-realtime-2.1 和 gpt-realtime-2.1-mini 两款模型，官方表示 p95 延迟至少下降 25%。