苹果宣布 iOS 27.3 将在中国推出 Apple Intelligence，新功能将在 11 月 4 日的测试版中首次提供，正式版计划于 12 月上线。最初在中国推出的功能包括通知摘要、实时翻译、改写和校对工具、视觉智能以及从照片中移除物体。新 Siri AI 不会在中国推出。此外，苹果表示已与阿里合作，在其部分体验中加入对 Qwen 的支持。
推荐理由：报道明确了 iOS 27.3 在中国落地 Apple Intelligence 的功能范围和上线时间表，便于用户判断本地可用的 AI 能力。
NVIDIA 在 Hugging Face Blog 发文演示基于 NVIDIA Nemotron Voice Agent 的万圣节互动角色 MonsterHouse，对话主体由新引入的 NVIDIA Nemotron 3.5 Bolt E4B 4GB 承担。
推荐理由：原文披露了 Bolt E4B 的本地跑通效果与端侧部署路径，可据此判断小模型在低算力条件下的智能体可用性。
Granola 于 10 月 29 日推出 Mac 端听写功能，可直接清理格式化语音并跨应用使用，iOS 和 Windows 版本即将上线。该产品估值 15 亿美元，与主打听写的 Wispr（估值 20 亿美元）形成直接竞争，反映出语音 AI 应用正从单一功能向听写、会议纪要等多功能整合趋势收敛。
Deepgram宣布收购开源语音AI框架Pipecat的开发商Daily，旨在加强对实时语音和视频基础设施的理解。收购后Pipecat将继续保持开源，并推出与Pipecat团队联合开发的开放协议Real-Time Context Standard（RCS），用于定义语音Agent的上下文元数据。
推荐理由：原文披露了收购双方背景、Pipecat开源承诺及RCS协议细节，可据此判断Deepgram在语音Agent基础设施上的布局思路。
Nvidia 发布开放的 Nemotron 3.5 Transcribe 语音模型，单次处理可同时完成转录、翻译和说话人识别，支持 40 种语言转写、31 种语言翻译和 13 种语言说话人识别。
同一件事，精选收录的是《NVIDIA 开源 Nemotron 3.5 Transcribe 及 Granary v2 数据集与微调工具》
Nvidia 发布 Nemotron 3.5 Transcribe，这是一款免费开源权重模型，支持最多40种语言音频转写，可处理31种语言与英语互译、长达1小时的录音以及区分8个说话人，300亿参数可在单芯片上运行。同时发布的还有第二款开源语音数据集 Granary v2。该工具仅处理录制音频，不覆盖实时流。
同一件事，精选收录的是《NVIDIA 开源 Nemotron 3.5 Transcribe 及 Granary v2 数据集与微调工具》
NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型，支持 40 种语言转录、31 种语言翻译及 13 种语言说话人归属，并在 Hugging Face Open ASR、David AI 和 VoiceArena 等多个榜单中获得开源模型第一。
推荐理由：模型在多个基准上刷新了开源记录，并附带 Granary v2 数据集和微调方案，方便开发者快速验证效果。
Retell 使用 OpenAI 模型支撑每月 1 亿次通话。GPT-6 Astra 在 Retell 语音智能体基准测试中排名第一。Codex 助力其实现每名员工 160 万美元的年收入运行率。
Google DeepMind 宣布发布 Genie 4，这是一个原生多模态的世界模型，可与 Gemini 模型结合进行实时交互式模拟。它支持在生成画面的同时同步生成音频，包括环境音、音乐和人物对话。Genie 4 目前作为研究预览提供给受信任的测试人员，并计划向 Google AI Ultra 订阅用户和 Gemini API、Google AI Studio 的早期访问合作伙伴开放。
推荐理由：官方公布Genie 4能力与测试名单，可据此了解世界模型在实时交互与多模态生成上的最新进展。
Block 从其研究实验室发布新语音模型 Dessa，宣称在单张 NVIDIA GPU 上即可本地运行，具备全双工语音交互能力和内置情感表达，可在 MacBook M4 Max 等消费级设备上部署。目前该模型尚未对公众开放，Block 正在招募安全研究人员进行测试。
推荐理由：原文给出了该语音模型的本地运行方式和情感特性，读者可据此评估其端侧落地可行性。
支付公司 Block 发布 AI 语音模型 Dessa，这是首款完全基于人类语音数据、不依赖文本的训练模型，可以直接在音频层面识别情绪、讽刺、笑声和停顿，支持全双工对话，可在 MacBook Pro M4 Max 本地运行。该模型目前未对外公开，团队正邀请 AI 安全研究人员参与风险评估。
同一件事，精选收录的是《Block 发布可在消费级 GPU 本地运行的语音模型 Dessa》
Jack Dorsey 的 Block 宣布推出名为 Dessa 的 AI 语音模型，并称该模型“从零开始仅用人类对话训练”。网站展示的案例包括与人类的语音聊天、猜词游戏以及和 OpenAI 的 GPT-Live-1 语音模型的对话。团队称 Dessa 是真正的语音到语音模型，可在 MacBook Pro M4 Max 或更好的设备上本地运行，并计划向少数 AI 安全研究人员提供早期访问。
AWS 发布教程，介绍如何在 Amazon SageMaker AI 上部署 Kokoro-82M 文本转语音模型，并通过双向流式接口将每个句子实时送入模型合成音频，从而避免等待完整响应再开始语音合成。
推荐理由：原文给出一套可在 SageMaker AI 上复现的流式语音方案，读者可据此降低语音 Agent 的首个音频延迟并比较两种传输成本。
Amazon Polly Generative engine 完成重大升级，新增 14 款生成式声音，覆盖 9 个地区，首次提供印地语和芬兰语的generative voice。此次升级无需修改代码，现有应用可直接获得更自然、准确且低延迟的语音输出，价格保持不变。目前新引擎和新声音已在包括 GovCloud 在内的 11 个 AWS 区域正式推出。
推荐理由：作为官方升级公告，提供了新增声音、语言及可用性变化，适合关注 Polly 实际升级点和集成兼容性的读者参考。
Google 将 Gemini AI 助手从 Android Auto 扩展至 Apple CarPlay，目前已在美国上线并向全球推进。用户可在 Google Maps 中通过点击 Gemini 图标进行免提对话，支持多步骤导航询问及自定义路线（如避开收费公路）。该功能暂无此前公布的 Personal Intelligence 个性化能力。
IBM 发布 Granite Speech 5.0 语音模型家族并更新 4.1 版本，含 granite-speech-5.0-2b、 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，支持英语、法语、德语、西班牙语、葡萄牙语、日语等转录与翻译，并提供关键词偏置、说话人归属和原生标点功能。
推荐理由：原文披露了三个模型的能力差异与基准数字，开发者可据此按准确性、速度或多人场景选型。
ElevenLabs 发布 Eleven Realtime v1 Max 与 v1 Mini 两款语音合成模型。v1 Max 在 Big Bench Audio 上得分 98.8%，响应延迟 0.57 秒；v1 Mini 成本更低，适合自然对话。两者均通过 ElevenAgents 平台及 OpenAI 兼容的 Realtime API 开放，定价按分钟与 token 计费。
推荐理由：提供了两项基准成绩对比和开放入口，读者可据此评估实时语音模型的响应速度与适用场景。
Deepgram 将 Nova-3 语音转文字模型移植并优化至 AWS Trainium2，单台 trn2.3xlarge 实例部署八个模型副本。在离线批处理工作负载下，该配置每美元处理的音频量比原有计算方案提升 11%–70%。Deepgram 还通过 Fused FFN、深度可分离卷积等 NKI 内核调优实现了吞吐量显著增长。