微软在 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,定位企业级实时语音 AI,可处理打断、快速确认等自然对话细节,并能在嘈杂或多人说话环境中理解请求。基础语音使用费为每分钟 0.01 美元,涉及推理时按 token 另行计费,微软称其在质量、速度和价格上均优于 GPT Realtime 2.1。该模型兼容 OpenAI Realtime API,已获 Agoda 等企业试用,并计划接入 Dynamics 365 客服与 Dragon Copilot。
语音到语音
Speech-to-Speech
直接将音频输入转换为音频输出,无需中间文本转换的端到端语音交互技术
收录情报动态
Cartesia 推出面向企业的托管语音代理平台,在 Artificial Analysis 的语音代理竞技场中排名第一。该平台采用级联架构,通过协同设计语音模型与代理框架,实现了媲美原生端到端模型的自然人声交互体验及更高的企业级准确率。
初创公司 Phonic 发布 Phonic-1,宣称是唯一能在用户说话时执行查询和预订的语音模型。该模型在 Artificial Analysis 语音转语音指数中得分 87.1,略高于 Grok Voice 3.0,并展示了极低的延迟(首音频 0.61 秒)。尽管存在第三方评测数据差异,其已获 2750 万美元 A 轮融资并应用于 Ashby 的 AI 面试场景。
Phonic 1 (High) 在 Artificial Analysis 语音转语音指数中以 87.1 分位居榜首,略微领先 Grok Voice 3.0。该模型在 Tau Voice 智能体基准测试中表现卓越(79.9%),同时具备极具竞争力的延迟和成本优势。
ElevenLabs 推出两款实时语音转语音模型 Eleven Realtime v1 Max 和 Mini,旨在优化 AI 对话的响应速度与准确性。Max 版本在 Big Bench Audio 基准测试中得分 98.8%,响应时间仅为 0.57 秒;Mini 版本则专注于低成本自然交互及打断检测。两款模型均通过 ElevenAgents 平台及 OpenAI 兼容 API 提供。
SpaceXAI 推出 Grok Voice 3.0,宣称是全球最智能的语音转语音模型,在 Artificial Analysis 综合榜单中以 86.9 分排名第一。该模型实现了低于 1 秒的业界领先延迟,并在 τ-Voice 和 EVA 等企业级基准测试中表现优异,运行成本显著低于同级竞品。目前该模型已支持特斯拉车机交互及星链客服中心,API 定价保持每分钟 0.08 美元不变。
SpaceXAI 发布 Grok Voice 3.0,在 Artificial Analysis 语音到语音指数中以 86.9 分位居第一,显著超越 GPT-Live-1 和 Gemini 3.8 Live。该模型在保持极具竞争力的低延迟的同时,实现了 94.8% 的最高任务成功率,且每分钟 $0.08 的定价远低于主要竞品。
xAI 正式推出 Grok Voice 3.0,在 Artificial Analysis 的语音到语音(Speech-to-Speech)基准测试中以 86.9 分超越 OpenAI 和 Google。该模型在模拟客服场景(如改签航班、争议处理)中的任务成功率从上一代的 56.5% 大幅提升至 71.6%,同时响应速度比竞品快 40%,单次任务成本低至 0.025 美元。
Hugging Face 与 Cerebras 合作,将 Gemma 4 模型集成至低延迟推理平台,打造开源模块化实时语音交互架构。该方案通过级联式语音处理显著降低响应时间,旨在解决当前语音 AI 中用户体验受限于延迟的核心痛点。
Hugging Face 推出 Reachy Mini 机器人的全本地运行方案,通过 speech-to-speech 级联管线(VAD→STT→LLM→TTS)替代云端服务。该方案暴露兼容 Realtime API 的 WebSocket 接口,允许用户完全离线进行低延迟、高隐私的实时对话。