蚂蚁百灵开源Ming-3.0语音系列，共五款模型，覆盖语音合成、音频理解与对话、语音识别。TTS支持文字设定音色、导演模式调控情绪节奏及行内副语言标签，0.5B小模型表现突出；audio-flash/tiny可直接理解长音频并结构化输出，保留情绪与说话人信息；asr-tiny支持热词与上下文注入，提升口音、术语识别准确率。未来将探索Voice Agent长程复杂任务。

日本语音AI公司Kotoba的语音技术已在生成式媒体平台fal上线，开发者可直接调用三项能力：针对日语及东亚语言调优的语音识别、支持流式输出的日语语音合成，以及流式输出音频与文本的实时语音翻译。开发者无需自建模型与推理链路即可产品化落地，流式能力可缩短首字响应时间，改善实时交互体验。

Sarvam AI 发布语音识别模型 Saaras V4，覆盖 22 种印度法定语言及全球英语口音，宣称均达最先进准确率。模型采用编码器-解码器架构，解码器为自研 30 亿参数混合状态空间模型。支持 5 种输出模式、最多 50 个关键词提示，流式首 token 时延低于 150 毫秒，定价 ₹30/小时。目前仅 API 可用，权重未公开，自托管仅支持 v3。所有数据均为厂商自报，尚无独立复现。

苹果设备端听写依赖神经音频编码器作为分词器，其参数量影响内存、功耗与延迟。研究提出潜空间蒸馏压缩法：以量化前的潜表示为目标，仅训练学生编码器回归教师逐帧潜表示，并用仿射层对齐宽度。2.8倍压缩下，六组师生中五组相对WER仅差1.9%，优于同容量独立训练编码器3.9%。

2026年9月17日，ZEGO云端实时语音识别发布v2.4.0，新增支持Qwen-Audio-3.0-ASR-Flash-Streaming模型，可配置热词，支持中文、英语、日语等语种，通过ASR参数设置厂商、语种和模型；同时下架qwen3-asr-flash-realtime模型，原用户后续将被替换为新模型。

LG回应电视监控用户指控，称电视不会持续录制或上传对话，唤醒词检测在本地处理，ACR、语音识别和广告功能均为可选且默认关闭。但报道显示电视仍长期记录环境对话，LG未回应数据收集范围、共享对象及隐私选项误导等质疑。

本文探讨语音识别在多人环境中“听对人”的挑战，即区分用户与背景人声。对比两种技术路线：基于身份注册的Target-Speaker ASR和基于场景线索的前景说话人转录，强调数据构造需明确时间、能量、空间关系，模型应学会选择交互主体而非单纯降噪，推动ASR从内容识别走向场景理解。

Meta推出实时语音识别模型Muse Voice Transcribe，支持70多种语言、区分20多位说话者及长对话，在基准测试中词错误率3.1%，优于竞品。模型采用自适应延迟机制，通过强化学习平衡准确性与速度。API定价每小时0.18美元，但不开放权重。Meta因眼镜和Mac应用等产品需求，持续推动该技术发展。

Speechmatics 的 Linden 模型现可通过 LiveKit Inference 平台使用，开发者无需额外申请密钥即可快速切换。Linden 支持 55 种以上语言，擅长处理浓重口音、嘈杂环境和字母数字识别，提升语音智能体在真实场景中的转写准确性。boost.ai 已将其投入生产，LiveKit 提供统一 API 和计费，简化开发流程。

谷歌更新Gemini音频模型，推出3.5 Transcribe等新功能，可自动识别专业术语和85种以上语言，去除填充词，支持语音编辑和最多三人说话人识别。3.5 Live增强中断处理和实时视觉处理，实验版可逐步叙述推理过程。更新今日起面向macOS应用和部分Android用户推出。

腾讯发布新一代语音识别模型Hy ASR 3.0 preview，基于大语言模型Hy3，融合高精度识别与语义理解，在通用识别、方言、上下文感知等维度提升。在开源和自建评测中WER领先，中文普通话3.34%、英语2.62%、粤语3.12%。已上线腾讯云API，元宝App免费体验。

腾讯混元发布新一代语音识别模型Hy ASR 3.0 preview，基于Hy3大模型提升通用识别、方言覆盖、上下文理解及复杂环境鲁棒性，在开源和自建评测中WER表现领先。支持热词注入，适配专业场景，已上线腾讯云API，并集成于元宝App，免费提供语音输入服务。

AI语音代理利用语音识别、自然语言处理和机器学习技术，实现自然对话，自动处理客户咨询、预约等任务，提供全天候服务，降低运营成本并提升效率。广泛应用于医疗、房地产、电商和金融等行业，同时生成数据洞察，支持可扩展性和安全性，是现代客户互动的重要工具。

Deepgram与高通合作，将Nova-3语音识别模型优化至骁龙X系列NPU，实现设备端实时语音转文本，无需云端，降低延迟和隐私风险。该技术适用于汽车、AI PC、XR等场景，提升准确率（词错误率6.89%），支持多语言和定制，为离线语音交互奠定基础。

神州泰岳在上海WAIC展示了ava 2.0数字员工矩阵，包括企业协作平台ava me+、语音数字员工avavox和个人助手ava app。ava me+帮助企业组建数字员工团队，avavox整合语音识别与大模型能力，ava app具备长期记忆，记录用户偏好与目标。这三款产品覆盖企业、客户服务与个人助理场景。

NVIDIA 发布了 Audex，这是一个统一的音频-文本大型语言模型，具备理解和生成音频及语音的能力，同时保持文本智能。Audex 采用 30 亿参数的 MoE 结构，设计简洁，避免了多模态模型的性能退化，在文本和音频任务中表现优异，尤其在语音识别领域领先。尽管存在商业许可限制和音频理解能力不足等缺点，Audex 仍在多项任务中表现出色。

在物理 AI 的发展中，语音识别成为关键能力，机器需要理解语音指令、区分说话者并过滤噪音。远场语音识别在复杂环境中面临挑战，基于物理的声学建模可以提升语音识别性能。FFASR 排行榜为评估语音模型在真实条件下的表现提供了新方法，帮助开发者确保产品的可靠性和易用性。

Voicebox是一款开源的本地AI语音工具，具备语音克隆、文本转语音和语音识别功能。用户只需录制几秒钟的声音，即可生成多种语言的语音，且无需云端支持和费用。它支持多种语音引擎，适合制作有声书和播客，保护用户隐私，是传统付费服务的替代品。

阿里推出的Fun-ASR-Flash语音识别模型支持三十种语言和十六种方言，准确率达到87.8%。该模型通过上下文和热词减少语义歧义，提升了对方言和小语种的识别能力，适用于复杂业务场景。

会话式AI利用大语言模型和语音识别技术实现自然对话。预计到2028年，60%的消费者应用将内置此技术。即构科技的ZEGO AI Agent深度整合实时音视频网络，提供低延迟的语音互动，核心技术包括语音识别、语言模型和检索增强生成，确保对话流畅准确。