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

11 月 13 日，DeepSeek 官方宣布把 DeepSeek App 背后的能力全部开放到 API：V4.1-Flash（模型名 deepseek-flash）在 Messages、Responses、Chat Completions 三种协议下都支持服务端执行的联网搜索（含图片搜索和引用）、深度思考搜索、PDF/Office/图片文件解析、自动读取消息中的链接，以及输入输出安全审核。OCR、语音识别（ASR）、语音合成（TTS）也作为独立接口上线。工具调用在 Token 费之外另计：搜索和抓取 0.75 美元/千次，OCR 0.225 美元/千页，ASR 限时 0.058 美元/小时，TTS 限时 0.225 美元/万字符。官方同时开源了可导入 DeepSeek 聊天记录的前端 Demo（MIT）。面向公众的应用必须开启安全审核。

查看大图

新加坡时间 11 月 13 日 00:30，Artificial Analysis（@ArtificialAnlys）发帖称，Salesforce 新发布的 SOV-Transcribe-1 成为开源权重语音转文字模型第一名：在 AA-WER 指数上词错误率 2.3%，在包括闭源模型在内的 44 个模型中排第 7。它比紧随其后的开源模型 Mistral Voxtral Small 和英伟达 Nemotron 3.5 Transcribe（均为 2.8%）低 0.5 个百分点。模型由 Salesforce 主权 AI（Missionforce Sovereign AI）团队开发，总参数 26.6B、激活参数 4.6B，结构是 Whisper large-v3 音频编码器加 Gemma 4 26B A4B MoE 解码器，权重以 Apache 2.0 许可发布在 Hugging Face。它是非流式模型，适合整段录音转写，不适合实时字幕。

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

语音模型公司 Cartesia 于 10 月 29 日发布 Managed Agents，一个面向企业电话场景的端到端语音 agent 平台，把自家语音识别、语音合成模型与 agent 框架一起设计调优，并自带电话接入、知识库、工具调用和批量外呼。官方称它在 Artificial Analysis 的 Speech Agent Arena 中以 1115 Elo 排第 1，在 ServiceNow 的 EVA-Bench 上拿到 87.4% 准确率和 90.7% 体验分（均为厂商口径，推理模型为 GPT-5.5）；上线期价格打五折，为每分钟 0.03 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