Simon Willison6565西蒙·威尔逊使用 GPT-6 Astra High 通过语音构建博客新功能
西蒙·威尔逊通过语音与GPT-6 Astra High交互，构建了其博客的Newsletters页面，实现了订阅列表索引功能，包括每周免费Substack和每月赞助者专属更新。他使用ChatGPT桌面应用的Codex语音对话模式，在本地开发环境中完成了模型、迁移、视图代码、模板及数据库导入功能，并整合了网站搜索引擎。
实时
#语音
- Simon Willison6565
OpenRouter Blog7575ElevenLabs 已登陆 OpenRouter 平台
ElevenLabs 在 OpenRouter 平台上线九款文本转语音模型和两款语音转文本模型，支持已通过 OpenRouter 调用语言模型的应用实现语音交互。Eleven v4 可用于长文本配音并控制语调和表达，v4 Turbo 提供低延迟语音回复，Scribe v2 支持带说话人标签的会议转录。所有模型对 OpenRouter 客户在 10 月 19 日前提供 50% 折扣。
Microsoft AI NewsMAI-Transcribe-2-Streaming 首款流式转录模型登顶 Artificial Analysis
MAI-Transcribe-2-Streaming 以低延迟实时转录 60 种语言并支持自动语言检测，在 Artificial Analysis 上最终和部分转录准确率均排名第一。
Google DeepMindGemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 发布：Google DeepMind 推出最新音频生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，支持从零创建自定义角色声音并直接控制场景对话。
Baseten BlogNVIDIA Nemotron 3 Diarization：实时语音标签识别每分钟成本仅0.01美元
NVIDIA Nemotron 3 Diarization 模型以约100M参数的Transformer架构实现实时语音标签识别，每音频小时成本仅0.01美元。
- Google DeepMind
Google DeepMind 推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 大型语言模型
Google DeepMind 推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 大型语言模型，前者专为规模和成本效益设计。
- Microsoft AI News
MAI-Transcribe-2 是全球最快、最准确且最便宜的语音识别模型
MAI-Transcribe-2 在 FLEURS 基准测试中跨 60 种语言平均 Word-Error-Rate 为 5.2%，在 Artificial Analysis 上定义了准确性与延迟的帕累托前沿。
- Microsoft AI News
MAI 将奥德诗融入音频模型，打造数字诗歌体验
MAI 的音频模型 Ode Poetry 通过提问推荐诗歌并播放真人朗读录音，为全球用户提供数字诗歌体验。该系统使用 MAI-Transcribe 实时理解用户语言，在 FLEURS 基准测试中达到 4.86% 的最低词错误率；MAI-Voice 则能高保真复现威廉·西格哈特的独特嗓音。系统结合威廉的文学分析经验，通过定制逻辑和工具调用推荐诗歌，并经迭代优化实现安全、高质量的用户体验。
- Microsoft AI News
MAI-Transcribe-1 发布：微软推出全球最精准的 25 语种语音转写模型
MAI-Transcribe-1 在 FLEURS 评测中实现了 25 种语言的最低词错误率，优于 Scribe v2、Whisper-large-V3 等竞品，并保持 25 种语言的高精度。该模型提供 2.5 倍于微软现有 Azure Fast 的批量转录速度，售价每小时 0.36 美元，现已在 Microsoft Foundry 开放预览。
MiniMax NewsMiniMax Speech 2.8 发布：提升 AI 语音真实感与克隆精度
MiniMax Speech 2.8 发布，通过原生声音标签、高保真克隆和录音棚级清晰度提升语音真实感，10 秒内可精确克隆用户声音特征，支持消除背景噪音和跨语言发音优化。
Dify BlogDupDub 插件登陆 Dify 市场平台，提供高级音频 AI 功能
DupDub AI 音频插件已在 Dify 市场平台上线，提供语音翻译、语音克隆、说话人识别和文本转语音功能，帮助用户构建更吸引人的 AI 应用。这些插件集成到 Dify 平台，支持语音转写、语音克隆、说话人识别和文本转语音合成，通过 Dify 的可视化工作流构建器可以轻松编排，实现自动化音频处理。
- Dify Blog
Dify 整合 Open Audio Fish Audio 插件，让 AI 应用 TTS 和语音克隆变得简单。
Dify 将 Open Audio 的 Fish Audio 插件集成到其平台，为 AI 应用提供实时文本转语音（TTS）和语音克隆功能。Fish Audio 支持 Opus、MP3、WAV 等格式，克隆语音仅需 30-45 秒，用户可通过 WebSocket API 控制输出参数。开发者可在 Dify 市场安装插件并配置 API 密钥，将 LLM 生成文本自动转换为指定声音的音频片段。
- Dify Blog
Agora 对话式 AI 扩展已登陆 Dify 市场平台
Agora 对话式 AI 扩展作为插件登陆 Dify 市场平台，为开发者提供实时语音 AI 能力。该扩展支持多种 LLM，具备行业领先语音转文本和主流文本转语音服务，通过 Agora 低延迟 SD-RTN™ 技术实现快速响应和全球可靠性。开发者可快速部署虚拟助手或客服机器人，Dify 市场平台现托管超 120+ 插件，支持社区共享和本地部署。
