AI 编程实时动态与要闻

Microsoft AI 官方账号 11 月 12 日宣布，自研语音转文字模型 MAI-Transcribe-2 在 Microsoft Foundry 正式商用（GA），可用于生产环境，价格为每小时音频 0.10 美元（限时到 2026 年底）。该模型 9 月 3 日以公开预览上线，单模型支持 60 种语言，自带说话人分离、词级时间戳和关键词偏置；微软称 1 小时音频约 10 秒推理完成，FLEURS 前 25 种语言平均词错误率 3.4%。

查看大图

Artificial Analysis 11 月 13 日发布 Diarization Index，专门衡量语音转文字 API 能否把每个词归到真正说话的人：指标是 WDER（被分给错误说话人或无人说话的词占比），测试集为 97 段 2–8 人英文对话，按 2 人、3–4 人、5–8 人三档等权平均。NVIDIA 开源权重的 Nemotron 3.5 Transcribe 以 3.3% 居首，Voxtral Small Transcribe 3 以 7.5% 排第二，也是有标价 API 里最准的；MAI-Transcribe-2 为 8.8%，速度最快之一。

查看大图

ElevenLabs 11 月 10 日（新加坡时间 11 日凌晨 02:10）发布两款语音转文字模型：面向录音文件的 Scribe v3 和面向实时流的 Scribe v3 Live。官方口径：Scribe v3 在 FLEURS 102 种语言上词错误率（WER）比 Scribe v2 低 27%，且每种语言都有提升；Scribe v3 Live 的语义 WER 比 Scribe v2 Realtime 低 43%，并首次在实时转写中提供说话人分离和基于上下文的断句检测。两款模型已上线 ElevenAPI，从 v2 切换只需改 model ID；API 定价页列出每音频小时 0.20 美元（v3）和 0.22 美元（v3 Live）。第三方评测方 Voice Arena 用 70+ 小时真实电话录音测试，称 v3 Live 在罗马尼亚语和印度英语里排第一。

查看大图

Mistral AI 正式推出 Voxtral 3 语音多模态大模型家族与配套的实时 Voice-Agent API。该套件包含 40 亿参数的 Mini 转录模型、超越 Whisper 与 Gemini 3.5 的 Small 转录模型，以及基于 LiveKit 的端到端语音智能体 SDK。系统支持 50 种语言高精听写与说话人分离、跨 35+ 语言带情感标签的情感语音合成（TTS）以及 30 分钟音频专业级声音克隆。在 Artificial Analysis 独立基准评测中，Small Transcribe 3 以 2.1% 极低字错率登顶全球语音识别榜单季军，Realtime 转录单步延迟低至 500ms 以内，每分钟语音智能体调度成本低至 0.04 美元。

查看大图

10 月 20 日，Mistral 发布 Voxtral 3：语音转文字模型 Voxtral Small/Mini Transcribe 3、实时转写 Voxtral Mini Transcribe Realtime 3、语音合成 Voxtral Mini TTS 3（Voxtral Speech 3），以及基于 LiveKit 的语音 Agent SDK，把“听—思考调工具—说”串成一条流式管线，官方称每轮响应不到 1 秒。转写覆盖 50+ 语言并支持说话人分离和上下文偏置，TTS 覆盖 35+ 语言、50+ 方言，另有 30 分钟录音即可复刻音色的 Pro Voice。模型已通过 Mistral API（欧盟、美国、全球端点）上线，也可自部署。

查看大图

Hugging Face 于 2026-09-30 发布 transformers v5.18.0（PyPI 5.18.0）。新增 NVIDIA Nemotron 3 Diarization（流式/离线、最多 8 说话人、80 ms–30.4 s 可配缓冲）、NemotronH Omni（文本/图/视频/音频联合推理）、NAVER HyperCLOVAX Vision V2（含 <think> 思维链）以及 GTE 双向编码器（RoPE + gated MLP，覆盖 gte/snowflake-arctic-embed 系）。文档已上线对应 model_doc 页。

查看大图