AssemblyAI 如何用 Amazon EC2 Spot 优化语音转文字推理成本
AssemblyAI 在 AWS 上以 Amazon ECS 搭配 EC2 Spot 与 On-Demand 混合的 GPU 集群运行语音转文字推理，通过 SQS 队列重试机制在 Spot 中断时把任务重新入队。架构跨 g4dn、g5、g6 三类 NVIDIA GPU 实例族分散 Spot 容量，并在 us-west-2 与 eu-west-2 区域部署以满足数据驻留合规。
#语音
AWS Machine Learning BlogAI 评分4444
The DecoderAI 评分6060 Meta 的 Muse 现可为用户代打电话，但许多商家可能直接挂断
Meta 的 AI 智能体 Muse 现已面向美国所有付费订阅用户开放代打电话功能，此前于 9 月进行测试。Meta AI 负责人 Alexandr Wang 称该智能体用户已超 1000 万，可代用户处理打给有线电视公司、DMV 和餐厅的电话，并将很快获得免费邮箱地址。不过许多商家一旦识别出 AI 就会挂断，Meta 曾在 9 月临时测试人工接线员来应对这一问题。
TechCrunch · AIAI 评分4444 ElevenLabs 推出 ElevenAI：面向团队整合会议记录、听写与智能体
ElevenLabs 本周发布实验性应用 ElevenAI，面向团队整合会议记录、听写与智能体集成，目前为预览版。该应用支持 90 多种语言的语音转文本、跨会议查询和录音提醒，并可调用 ElevenAgent 起草邮件。ElevenLabs 同期推出 v3 系列 Scribe 转写模型，支持实时转写和自有数据微调。
The DecoderAI 评分6969 ElevenLabs 发布语音识别模型 Scribe v3 与 Scribe v3 Live
ElevenLabs 发布两款语音转文字模型 Scribe v3 和 Scribe v3 Live，前者面向录音文件，后者面向低延迟实时场景，均已通过 ElevenAPI 和 ElevenAgents 平台开放。
AWS Machine Learning BlogAI 评分4242 AWS 10 月 AI 更新盘点：Claude Haiku 5.5、GPT-6.1 Terra 等登陆 Amazon Bedrock
AWS 总结 10 月面向 AI 开发者的更新：Claude Haiku 5.5 与 OpenAI GPT-6.1 Terra 等新模型上线 Amazon Bedrock，其中 Haiku 5.5 成本较 Haiku 4.5 低约 75%，GPT-6.1 Terra 支持最多 100 万输入 token。
The DecoderAI 评分5858 DeepL Voice 上线 Aure 模型，实时翻译可保留语调与语速
DeepL 为 DeepL Voice 推出新模型 Aure，实时翻译会把原说话人的语调、情绪、重音和语速带入目标语言。此前 DeepL Voice 基于对话开始时采集的固定音色样本生成语音，无法捕捉情绪变化或讽刺语气；Aure 则在对话过程中持续分析译文和原始音频，训练时把音色、语音旋律和内容分离以便分别迁移，并用强化学习避免输出带入口音。
TechCrunch · AIAI 评分4242 Spotify AI DJ 新增多种声音与个性，并可选减少解说
Spotify 为 AI DJ 新增可选声音与个性，并提供减少曲间解说的选项，11 月 10 日起向 Premium 用户推送。新增 7 种英语声音（含英国、美国、爱尔兰、澳大利亚、印度口音）和 2 种西班牙语声音，各带独特个性。该功能已被超 9400 万 Premium 用户使用，覆盖 95 个以上市场。
TechCrunch · AIAI 评分4343 Otter.ai 新增多语言转写：可跟随会议中 30+ 种语言切换
Otter.ai 宣布扩展多语言能力，新增可在同一场会议中跟随说话人语言切换的多语言转写功能，并新增 27 种语言支持，完成后共支持 31 种语言。该功能会自动检测语言变化并持续转写，无需用户调整设置；其中普通话、粤语、韩语、德语等 13 种语言已可用，其余 14 种即将上线。新语言基于 Otter 自研语音模型，使用公开数据集训练并由母语志愿者校对转写准确度。
Hugging Face Blog精选AI 评分6767 Phonon TTS 发布两周回顾：端侧语音模型在 Open TTS Leaderboard 上的表现
Phonon 团队回顾两周前开源的端侧 TTS 模型，介绍其能力、演示项目以及在 Hugging Face Open TTS Leaderboard 上的评测结果。
推荐理由：原文给出 Phonon 在 Open TTS Leaderboard 上的多语言排名与 CPU 首音延迟表现，可对照其小体积端侧定位。
Mistral AI精选AI 评分7575 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3，包含语音转文字模型 Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3 与实时版，以及文本转语音模型 Voxtral Mini TTS 3，并推出基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。
推荐理由：Mistral 把语音识别、语音合成和智能体 SDK 打包成一条实时流水线，并给出各环节定价与自部署选项，可据此估算语音智能体的落地成本。
OpenAI Developers BlogAI 评分5555 OpenAI 发布 gpt-realtime-mini 等四个音频模型新快照
OpenAI 发布四个 2025-12-15 音频模型快照，覆盖语音转文字、文字转语音和实时语音到语音，价格与上一版相同。gpt-realtime-mini 在内部语音到语音评测中指令遵循准确率提升 18.6 个百分点、工具调用准确率提升 12.9 个百分点；gpt-4o-mini-transcribe 在噪声场景下的幻觉比 Whisper v2 减少约 90%。
OpenAI Developers Blog精选AI 评分6666 OpenAI 解读 Realtime API 正式版：接口变化、新功能与迁移建议
OpenAI 开发者博客介绍 Realtime API 与 gpt-realtime 语音模型转为正式可用后的接口变化，并给出迁移到 GA 接口的建议。文章列出 GA 与 beta 接口的功能差异，包括图像输入、长上下文、异步函数调用、MCP 和音频 token 转文本等，并说明 GA 接口已移除 temperature 参数。
推荐理由：OpenAI 官方梳理 Realtime API 从 beta 到 GA 的接口变化与迁移要点，可帮助语音应用开发者判断改造范围。