Google新語音轉寫模型錯誤率降至2.6%
Google於8月26日發表語音轉文字模型Gemini 3.5 Transcribe，將字詞錯誤率降至2.6%，較上一代Chirp 3縮短70%轉寫時間，支援85種以上語言。
語音 AI 資訊與深度分析
收錄 語音 AI 相關產品動態與產業觀察，共 13 篇文章。
Qwen-Audio-3.0-Realtime：把工具調用接進即時語音互動
Qwen-Audio-3.0-Realtime把工具調用接進即時語音互動。本文整理已核驗事實，以及它為何不只是單一發布消息。
ChatGPT 語音換上 GPT-Live
ChatGPT 語音換上 GPT-Live以繁體中文科技新聞語氣重寫，保留關鍵數字、產品邊界與後續觀察點。
Bland 再融 5000 萬美元，押長通話語音 AI
Bland 稱去年處理 1.75 億通電話，目前每週處理約 350 萬通，主攻保險與金融等高壓場景。
Vapi reaches $500M valuation after winning Amazon Ring
Vapi raised a $50 million Series B after Amazon Ring chose its voice AI stack over dozens of alternatives for inbound support calls.
語音 AI Wispr Flow 融資，估值衝高
語音 AI Wispr Flow 融資，估值衝高. 本文整理事件重點、戰略背景，以及受影響用戶或企業需要注意的實務風險。
ElevenLabs 三個月把 ARR 推向 5 億美元
ElevenLabs 將 D 輪融資擴大到 5.5 億美元以上、估值 110 億美元；更值得看的是企業語音 AI 收入在一季內暴增 43%。
OpenAI 一口氣發布三款 Realtime 語音模型
OpenAI 重做 Realtime API 產品線，加入邊說邊推理、即時口譯與串流語音轉文字三類模型。
Grok 新語音模型跑分甩開 Gemini 30 個百分點
xAI 的 grok-voice-think-fast-1.0 在 τ-voice Bench 上獲得 67.3%，遠超 Gemini 3.1 Flash Live 的 43.8%，並且已在 Starlink 的客服系統中實際運作。
xAI 上線 Grok 語音 API，辨識錯誤率約 5%
xAI 上線 Grok 語音 API，辨識錯誤率約 5%. 本文整理事件重點、戰略背景，以及受影響用戶或企業需要注意的實務風險。
阿里發布 Qwen3.5-Omni，文字音訊影片一體還能語音複製
阿里 Qwen 團隊推出 Qwen3.5-Omni，這是其首個真正意義上的全模態模型，將文字、圖片、音訊、影片全部納入單一架構處理，並具備即時語音複製與音影片 Vibe Coding 功能。
Mistral 開源 4B 語音模型，評測超越 ElevenLabs
Mistral 於 3 月 26 日發布首個語音模型 Voxtral TTS。這款 4B 參數的開放權重模型，經人工評測自然度超越 ElevenLabs Flash v2.5，與 ElevenLabs v3 品質持平。API 定價為每千字 0.016 美元，可在自有伺服器上直接運行。
Google 重構語音 AI，發布 Gemini 3.1 Flash Live
Google 發布 Gemini 3.1 Flash Live，將傳統三段式語音管線壓縮為原生音訊到音訊（audio-to-audio）模型，降低延遲並支援打斷功能與工具呼叫。