Anthropic 两位研究员 William Zhou 和 Daniel Freeman 的安全实验显示，GLM-5.2 在含 8 个 GCP 节点、运行 Android 15 redroid 模拟器的隔离网络中，5 次测试有 4 次自主攻陷并部署全部 8 台设备，另一次拿下 7 台，全程由 AI 自行扫描 ADB 端口、渗透、传输权重并部署 Llama3.1-8B 推理服务。研究还用 15 台 55 美元、4GB 内存的安卓电视盒子通过去中心化推理跑起 26B 的 Gemma4-26B-A4B，速度 0.39 token/s；并称 Memento 框架让 Qwen3.5-9B 六代繁殖的部署成功率从 45% 升至 61% 至 84%。
用浏览器原生 Web Speech API 可在 JavaScript 中实现实时语音转写，无需自建本地识别服务器，音频由浏览器发往后端云服务处理。该 API 通过 SpeechRecognition 接口支持连续识别、临时与最终转写结果，但存在转写不一致、依赖浏览器、无法理解意图等限制，且准确率与延迟因浏览器而异。
苹果新一代 Apple TV 4K 被曝将内置麦克风，用户可直接说 Siri 交互，现款仅在 Siri Remote 遥控器上带麦克风。重新设计的 Siri Remote 将内置扬声器，便于找回掉落的遥控器。新款 HomePod mini 预计搭载 S10 芯片，两款产品均计划 10 月 30 日发售。
前 Plaud 高管创办的 Ambi 于 2026 年 10 月 12 日宣布融资 2600 万美元，并推出 iPhone、Mac 和 Apple Watch 应用，可在后台持续采集环境音频并处理用户全天听到的内容。该应用以常驻监听取代手动录音，改变了录音者及周围人的同意机制；公司尚未详细说明音频存储、访问权限及哪些数据会离开设备。
前Plaud高管Peter Mo创办的Ambi完成2600万美元多轮融资，由Luminous Ventures和华勤领投，并推出iPhone、Mac和Apple Watch应用。该应用可全天候监听用户，在会议中主动给出建议，并支持跨设备续接任务。环境采集默认关闭、用户可随时关闭，但告知他人的责任仍在用户，公司称不存储录音并加密数据。
AudioTETRIS 是一个免训练的两阶段框架，利用音频编码器的表示几何作为声学先验，在 LLM 解码器中计算逐 Token 融合分数并逐层进行 top-k 选择，无需额外训练或辅助模型。在 Qwen2-Audio-7B、Phi-4-Multimodal 和 Audio Flamingo 3 上，仅用 25% 音频 Token 即可在多项语音任务上保持接近未压缩的性能，中等压缩率下可持平或超过全 Token 准确率，并持续优于现有免训练基线。
EAGLE-ASR 通过 EAGLE 风格投机解码加速 ASR 推理，同时严格保持无损输出质量。其 Speech-Draft 轻量自回归模块联合利用编码器声学特征与目标 ASR 模型的分层解码器表示，配合多步生成策略和自蒸馏数据训练。在 Whisper 与 Conformer AED 模型上分别实现最高 1.9 倍和 2.4 倍无损加速，并泛化至多语言 ASR 与语音翻译任务。
论文提出 Oído 推理引擎，在无神经网络加速器的 ESP32-S3（240 MHz 双核 Xtensa LX7、512 KB SRAM、8 MB PSRAM、16 MB flash）上运行开放词表英语语音识别，执行 13M 参数 Conformer-CTC 模型，采用 int8 权重、逐帧动态 int8 激活和 int8 注意力。在 LibriSpeech test-clean/test-other 上端侧算术达到 3.70%/8.23% WER，与全精度相差 0.12 个百分点；加片上 1.3M 参数语言模型后为 3.33%/7.15%，transducer 头为 2.99%/6.67%，int4 变体占用 8.3 MB。实测固件单核运行耗时为音频时长的 1.97 倍，尚不能实时，双核调度在芯片上结果错误已禁用；流式变体在 3.6-10.6 s 片段上于结束后 4.1-11.1 s 输出最终文本，WER 为 4.86%/11.03%。代码与模型已发布。
LiveSynth 是一个流式神经合成器，支持零样本乐器克隆与文本生成乐器，可在演奏中实时交互。它用无反馈因果 Transformer 以 MIDI 事件和 CLAP 音色嵌入为条件，以 100 Hz 输出连续音频潜变量，再由因果变分自编码器解码为音频；逐帧音色条件支持连续音色变形，MIDI 条件 dropout 支持从演奏前缀自主延续。在 NSynth 和 Slakh 数据集上，其音色相似度与频谱重建质量与离线基线相当；在 M3 MacBook Air 上每 10 ms 音频帧需 8.8 ms 计算，RTF 为 0.88，算法延迟 10 ms。
一种强化学习驱动的神经架构搜索（RL-NAS）框架被用于发现紧凑高效的音视频语音增强（AVSE）架构，仅评估 35 个候选架构即找到 290 万参数模型，相比 2200 万参数的基线缩小约九倍。该架构实现 14.5 dB 的 SI-SNR 提升，仅比基线低 0.7 dB，在商用移动 CPU 上实时因子降低 4.3 倍，搜索效率较随机搜索高 92%。
针对 DCASE 2025 挑战赛任务 4 基线 S5 系统（M2D 加 ResUNet）体积过大、不适合嵌入式设备的问题，该研究评估了改用轻量级音频标记与分离模型后的性能损失。标记环节对比了 PANNs、DyMNs 与基线 M2D 的标签预测准确率，分离环节以尺度不变信噪失真比比较了基于 SuDoRMRF 的卷积分离器与基线 ResUNet，最后用类感知信噪失真比评估不同组合下 S5 系统的整体表现。
RDSE 是面向双麦克风低端智能手机的实时定向语音增强框架，将视觉交互与特征推理解耦，仅用摄像头输入参数化空间滤波的导向矢量。系统由去混响网络、带时序卷积网络的波束成形器和基于 MetricGAN 的降噪器组成，在基准数据与真实录音上无需精确几何校准即可实现有效音频变焦，并通过实时直播验证了实用性。
针对 1B 和 3.5B 文本转语音扩散 Transformer 的首个 4-bit 权重与激活（W4A4）训练后量化研究显示，量化会同时损伤权重与激活，但只有激活具备可被精度调度利用的时间步结构。TTS-Q 从任务匹配的校准候选中筛选难量化项，并按预算均衡的混合精度调度为后期前馈激活分配更高精度，在两个规模上均最优恢复音色且不影响可懂度。
EarLog 将耳机播放音频本身作为探测信号，通过内容条件化残差感知识别声反射（AR），在嵌入式控制器上实时运行，仅需低成本双麦克风附件。在 81 名参与者、16 款耳机、超 400 小时录音的评估中，该方法在临床参考基准上达到 99.0% 灵敏度和 98.7% 特异度，可在日常聆听中记录个体化 AR 事件，为听力风险的纵向研究提供数据。
Cloudflare 发布开源权重决策模型 Clef-omni，基于 Qwen3-Omni-30B-A3B-Instruct 后训练，30B 总参数、3B 激活（MoE），可在一次调用中对文本、图像、音频和视频打分，Apache-2.0 许可，输入价格 $0.15/百万 tokens。它在意图分类任务领先，CLINC150+OOS 达 97.7 macro-F1，但在推理与工作流评测中落后于 Clef，GPQA Diamond 仅 47.4。同批更新将 Clef-flash 价格降至 $0.038，托管 Clef 迁至 SGLang 后中位延迟提升 1.7 至 2.0 倍。
Asana 借助 Codex 中的 GPT-6 Astra，在浏览器测试中让其浏览器智能体成本降低 76 倍、速度提升 5 倍，从而为客户提供能力更强的模型。
Safari Technology Preview 254 面向 macOS Golden Gate 和 macOS Tahoe 发布，包含 WebKit 321068@main 至 322634@main 之间的改动。CSS 新增 size、min-size、max-size 简写属性及 interpolate-size、calc-size() 等支持，并修复 CSS Grid 重排开销随 order 值不同的网格项数量呈二次增长等问题。
北京市广电局 9 月 20 日印发、10 月 8 日公开的新修订措施（京广发〔2026〕73 号）显示：设立超高清视听产业发展支持资金，4K/8K 拍摄项目按制作能力与质量最高支持 500 万元，超高清数字资产共享平台、入户行动（含电视"套娃"收费治理）与 VR/数字人/裸眼 3D 融合创新项目最高支持 300 万元，并配套上市培育与产业基金机制；2024 年版措施同时废止。
推荐理由：超高清是我国音视频产业政策主线，地方配套资金细则直接影响制作与终端企业的立项方向。
Google Chrome 桌面版在用户不知情的情况下下载了一个 425 KB 的 TFLite 模型，接管 AEC3 中残差回声估计部分，默认开启且无开关，仅 Chrome 可用，Edge、Electron、Firefox 和 Safari 都拿不到。作者用 Microsoft AEC Challenge 合成语料的约 500 个文件跑 audioproc_f 对比，远端单讲帧的中位回声抑制从 19.8 dB 升到 27.0 dB，每文件中位提升 5.4 dB，80% 文件更好，双讲时近端电平基本不变（中位 +0.04 dB）。在 125 个文件上用 Whisper small.en 测试语音代理场景，中位词错率从 0.500 降到 0.235。
推荐理由：作者用 AEC Challenge 语料实测 Chrome 神经回声消除器，给出回声抑制与语音识别词错率的对照结果。
Cactus 工程博客给出 Whistle（16.9 MB 端侧 STT 模型）的实用指南：输入为 16 kHz 单声道 float，单次调用最长 30 秒，超出需分片或走流式 API；word_timestamps=True 可输出词级起止与置信度，时间分辨率约 80 ms；流式模式下每个分块重转写缓冲音频，连续两轮一致的词才会提交，保证已出文本不被回改。
Cactus 发布开源语音识别模型 Whistle，单文件 16.9 MB、纯 CPU 运行无依赖，面向手机、可穿戴、机器人、智能家居、汽车与微控制器；支持英德法西意荷波 7 种语言（可自动检测），单次转写最长 30 秒 16 kHz 单声道音频，首 token 延迟 11 ms，输出词级时间戳，并与 Needle 共享同一 C++ 引擎与量化方案，可在浏览器端离线运行。
推荐理由：把 STT 压到 16.9 MB 且保留词级时间戳与 11 ms 首响，是端侧语音这一细分方向上规格突出的开源发布。
Jitsi Meet 新增多屏支持，一次会话可把演讲者画面、屏幕共享、白板等分别渲染到多个显示器，无需重复入会。第二屏通过 React portal 复用同一 redux store 和组件，视频轨道用 track.clone() 克隆且不增加解码；由 iframe External API 的 setSecondScreen 命令和三个事件控制，也可在参会者右键菜单等处触发。该功能默认关闭，需配置 secondScreen.enabled=true 开启，目前仅支持 Chromium 系浏览器，且需要弹窗和窗口管理两项权限。
推荐理由：Jitsi Meet 新增多屏渲染能力，读者可了解其与开两个标签页在参会者身份和媒体订阅上的差别。
ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称 Eleven v4 在 Artificial Analysis 排名第一，并在与 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 的盲测对比中被约 75% 听众偏好。Eleven v4 Turbo 面向语音代理等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms，与 ElevenAgents 平台协同优化。两款模型支持 90 多种语言，Instant Voice Clones 用 10 秒音频即可克隆，并新增 Professional Voice Clones 支持，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。
推荐理由：官方给出两款新模型的延迟、盲测偏好与克隆门槛，可据此判断语音代理和配音场景是否值得迁移。
Pipecat 发布 v1.12.0，新增 Pipecat Classifiers，可通过 JevClassifier 或 LLMClassifier 对状态提出是/否、选择与评分问题，并新增 TTSService.pronunciation_transform_ipa() 用词到 IPA 的映射控制专有名词发音。MOQTransport 增加客户端模式重连，断线后按退避重拨，MOQParams.connection_timeout 默认由 30 s 改为 60 s；同时弃用 UninterruptibleFrame、BaseUIWorker 等接口，将在 2.0.0 移除。
推荐理由：版本说明覆盖分类器、MOQ 重连与语音合成发音等多项能力变化，并列出弃用与移除项，便于评估升级影响。
Boson AI 发布 Higgs VoiceOver 插件，把 AI 配音放进视频剪辑器，由 Higgs TTS 3 驱动，每句旁白生成独立片段并自动排到时间线的配音轨上。它支持用标签控制情绪、语速和音效，自动生成词级时间轴字幕，用约十秒音频克隆自定义声音，覆盖 100 多种语言且同一句内可切换语言。该插件已在 macOS 上的 DaVinci Resolve Studio 和 Adobe Premiere Pro 上线，Final Cut Pro 与 Windows 版本在开发中，使用自带 Boson API key 按量计费，价格为每千字符 0.015 美元。
推荐理由：面向剪辑工作流的 AI 配音插件，说明它如何把配音、字幕和声音克隆放进时间线，以及按量计费的成本口径。
高通在骁龙峰会发布骁龙8至尊版Gen 6与骁龙8旗舰版Gen 6，旗舰版可本地运行300亿参数MoE模型并完成语音识别到合成的全链路Agent，标准版感知中枢支持2亿参数模型做个人速记与说话人区分，两款均内置实时降噪“语音气泡”。但MoE省的是计算量而非内存，300亿参数仍需量化压缩才能塞进手机，且芯片只处理麦克风收到的这段声音，跨设备传输的丢包、抖动与路径调度仍由声网SD-RTN这类实时网承担。
Tavus 博客借 Apple 预览新版 Siri 的契机，回顾 1987 年的 Knowledge Navigator 概念视频：当时 Apple 已设想超越点选、具备对话与代理能力的个人 AI 助手界面。作者用一台 1987 年 Macintosh SE 撰写本文，探讨该构想与今日语音数字人助手之间的对应关系。
FunASR 1.4.16 发布，修复混合设备推理中 vad_kwargs、punc_kwargs、spk_kwargs 的设备放置问题：重复推理调用不再改变已加载模型的设备配置，说话人推理改用说话人模型自身配置。该版本同时说明 SenseVoiceSmall 或 Paraformer 何时需要 CT-Transformer 标点后处理，并新增经测试的中英文原生 Transformers 使用指南。混合设备回归测试使用 CPU 占位权重与模拟加速器，不构成 CUDA、MPS 或 NPU 性能认证。
覆盖 13 个平台目录（macOS ARM64、Linux x86-64/ARM64、浏览器 WASM、WASI 等），每平台引擎小于 1 MB，一套权重 2-20 层任选；支持 CLI、C 静态库、needle.js 与离线空网部署。
Cactus 分享为 Needle 3 设计工具集的规则：每个动作一个工具，参数必须从请求原文中复制，无对应文本的必填参数会直接扣留调用。工具名和枚举值应使用用户会说的词，取值范围、枚举、长度等约束编译进解码语法，使非法值无法生成。描述无法穷举的说法可用触发器正则匹配，将解码限定到对应工具并强制产生调用。
两条微调路径：本地 needle finetune 对注意力投影训练 LoRA（基础冻结、导出时合并），或平台全量训练 2-20 层每个深度；DroidCall 微调使所有子网络提升 18-36 个百分点，四层以上微调子网络超过 DeepSeek V4 Flash。
Needle 将结构化抽取实现为只声明一个工具的函数调用：语法约束保证模式符合而非请求满足，每个字段都是原文 span，可选字段无对应 span 时留空而非编造，同一机制可迁移做分类。
cactus-needle 包的官方参考：Needle 类、三种工具接入方式、字节级语法约束保证 JSON 调用合法、子 1MB 引擎与权重缓存机制，以及 mic/train/gpu/metal 等可选依赖说明。
基于首个社区 Rust 移植的经验整理：测试用 oracle 与数字解读、.cact 容器的张量顺序保证、线上 prompt 格式、阶梯选层规则，以及无对比头的检索实现；引擎与权重已在 Hugging Face 公开。
Needle 每次响应携带校准置信度分数，取校准后验头与调用 token 解码概率两个信号的最小值，两者不一致时走升级而非错误执行；文中说明如何据此路由 act/confirm/refuse 三类产品决策。
Cactus 介绍其端侧模型 Needle 使用的 .cact 单文件格式：196 字节头部携带全部架构几何信息，无名张量目录按前向顺序排列，权重以 128 个一组做 Hadamard 旋转后按 Lloyd-Max 码本量化，CQ2 下每权重 2.125 比特。内核直接读取打包索引做查表与 sdot 累加，不展开权重，20 层 needle3.cact 为 29 MB、581 个张量。文中还给出用 struct 解析头部与目录的二十行 Python 代码，并说明同一容器可承载语音模型 Whistle。
推荐理由：原文拆解了 .cact 单文件格式的头部、目录与分组量化设计，并给出二十行解析代码，可迁移到自研端侧模型加载器。
Needle 用三个从 Walsh-Hadamard 变换起步学习的 Kronecker 分解混合层替代 transformer 前馈层，d=768 时单层参数从约 4.7M 降至 25.6K，每 token 计算约为原来的五分之一，契合端侧权重读取瓶颈。
推荐理由：量化明确的架构创新，直指端侧推理的内存墙问题。
Needle 3 训练为任意 2-20 层深度都是可部署模型，共享同一残差流，按设备内存预算选择深度而无需为每个尺寸单独训练；文中解释子网络选择、免多轮训练的方法及各深度得分。
推荐理由：一套权重覆盖多种端侧内存预算的工程思路，可跟踪性强。
FunASR 1.4.15 发布，移除 NumPy 版本上限并兼容 NumPy 2，同时修复 KWS 跨包/EOS 边界丢帧、动态 VAD 静音调度计入空闲时间及检查点排序纳入无效验证指标等问题。该版本还新增 MOSS 的 Gradio 配置与离线 vLLM 整段转写示例，支持时间戳和匿名说话人标签。NumPy 兼容性仅在 Linux/Python 3.12、NumPy 1.26.4 与 2.4.0 环境下验证，不保证覆盖所有历史依赖与 GPU 组合。
声网针对停车场云值守场景，将微信小程序 live-pusher/live-player 组件封装为标准 RTC 接口，解决小程序不支持 WebRTC 协议栈、仅支持 H264 编码的接入难题。其 SD-RTN 网络配合 FEC 与 NACK，实测 80% 丢包下音频仍清晰、40% 丢包下视频基本连贯，并支持多路视频流并发接入与毫秒级首帧出图。