Meta Superintelligence Labs 推出 Muse Voice Transcribe，把实时语音转文字、说话人区分与“是否说完”的判断放入同一个模型。它可处理超 1 小时音频、区分 20 多人，英文实时转写 WER 3.1%，优于 GPT Live Transcribe 的 3.9% 和 Gemini 3.5 Transcribe Live 的 4.0%。定价每 1000 分钟 3 美元，约合每小时 0.18 美元，已接入 Meta AI for Mac、Muse Code 及 API。

Google 在 2026 年 I/O 大会上发布 Gemini 3.5 Transcribe 语音转文字模型，支持情绪检测、说话人识别、时间戳标记和翻译。该模型提供 96K Token 上下文窗口，可处理长音频文件，适用于会议记录和法律取证等场景。Google 同时表示，实时转录应使用 Cloud Speech-to-Text API，而不是这款模型。

康涅狄格州 Twitch 主播 Warren Pandiscia 已向加州北区联邦法院提起集体诉讼，指控 Twitch 及母公司 Amazon 未经授权、未支付报酬，使用数百万条直播内容训练生成式 AI。争议集中在 Twitch 本月新增的“退出”机制：频道默认纳入训练范围，且按频道而非个人生效。诉状还称，平台在 2024 年就已开始收集相关内容，涉及直播、回放、剪辑、聊天信息、图片和文字。

OpenAI 于 7 月 23 日把 ChatGPT Voice 推入桌面版 App 的 Work 与 Codex 场景，面向 macOS 和 Windows 全球分批开放，并覆盖 Plus、Pro、Business、Edu、Enterprise 用户。报道提到，其底层基于 7 月 8 日上线的新一代语音模型 GPT-Live，支持实时打断与续接对话。OpenAI 还把语音能力与任务执行、项目上下文、多智能体协同及桌面应用场景结合，显示其正把 ChatGPT 推向桌面端的 AI 工作入口。

xAI推出Voice Agent Builder测试版，主打无代码搭建企业级AI语音代理，支持2分钟语音克隆、电话接入与多工具连接，官方称其语音基准测试成绩超过OpenAI和Gemini。

Tether发布完全开源的跨平台开发套件QVAC SDK，强调AI模型可在手机、电脑等本地设备运行，并结合llama.cpp与Holepunch网络，减少对中心化云服务器的依赖。

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。

Anthropic发布Claude Fable 5后不到24小时，Riley Brown演示仅用2个提示词克隆并超越Lovable官方App，随后又称5个提示词已做出更完整的平台。