PANews 刊文回顾 Coinbase Developer Platform 于 2025 年 5 月推出的 x402 协议，称其已出现三个层次的采用信号：Base 链累计交易超过 1 亿笔，跨链 tracker 统计约 1.556 亿笔交易、约 4097 万美元稳定币结算额，x402scan 当前索引范围内则记录约 1624 万笔交易。文章认为，这些数据说明 x402 已走出纯概念阶段，但尚不足以证明 Agentic Payment 已成熟，后续仍需观察真实付费服务数量、重复使用率、平均交易金额与 Agent 钱包及支出策略的成熟度。

Gradium AI 发布新版文本转语音模型，并设为 API 与 Studio 默认模型。新模型在涵盖五种语言的 500 句硬案例测试中人工通过率达 81.0%，超过 Cartesia Sonic 3.6 和 ElevenLabs v3 Conversational。首音频生成中位数 216 毫秒，比替代模型快 170 毫秒。模型于 2026 年 8 月 31 日上线，现有用户无需迁移，评估数据集已在 Hugging Face 开源。

MiniMax 于 8 月 3 日将全模态视频模型 H3 权重上架 Hugging Face，支持 2K、24fps 视频与立体声音频生成。Artificial Analysis 榜单显示，H3 在视频编辑榜排名第一，文生视频榜反超字节跳动 Seedance 2.0。5 秒片段生成成本约 0.7 美元，社群还实测 12GB 消费级显卡可离线运行。

小米推出MiMo V2.5系列多模态AI模型，整合文本/图像/音频/视频处理。Pro版SWE-bench解决率57.2%，匹配Claude Opus 4.6和GPT-5.4，token消耗比Kimi K2.6低42%。基础版速度更快价格更低，均支持1M上下文窗口。

Spotify开源CLI工具save-to-spotify，用户可将TTS生成的音频一键上传为个人播客，与歌单和节目并列收听，支持多种音频格式。

xAI已正式开放Grok语音转文字与文字转语音API，相关技术已用于Grok Voice、特斯拉车载语音和Starlink客服系统。STT支持25种以上语言，TTS定价为每百万字符4.2美元。

Google推出Gemini 3.1 Flash TTS，支持70多种语言，并加入音频标签功能，开发者可用自然语言控制语速、语气和口音。该模型已在Gemini API、Google AI Studio、Vertex AI和Google Vids上线。

小米大模型负责人罗福莉在深度访谈中称AI已全面转入Agent时代，强调“自进化”将是AGI未来一年最关键的突破点。她透露小米算力配比从3:5:1调整至3:1:1，Pre-train代差缩至数月。