ElevenLabs 推出 Scribe v3 语音转文字模型

大场面很少只靠一个声音，所以我们打造了 SFX v3，让它能处理前所未有的更多内容。 我们最新的模型让你只需一段文本提示词，就能创建更丰富、更精确的音效，音乐和人声也有所提升。 现已在 @ElevenCreative 和 ElevenAPI 中上线。

ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言。Cue 单模型可一次处理任意长度的录音，在单张 GPU 上约半秒对齐一小时音频，已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独使用。

ElevenLabs 发布 Eleven Realtime，一类新的语音到语音（Speech to Speech）模型。官方称语音智能体通常需要在快速回复和准确回答之间取舍，Eleven Realtime 两者兼顾，能在半秒内开始说话，并答对口语推理问题。

更多关于 v4 的信息：https://x.com/ElevenLabs/status/2104572127617994917

我们将 Eleven v4——我们最新的语音模型——与其他模型在八种语言中进行了盲测。 在每项测试中，听众都认为它更具表现力。

ElevenLabs 宣布 Eleven v4 和 Eleven v4 Turbo 在 Artificial Analysis 文本转语音榜单上分列第一和第二。引用数据显示 Eleven v4 Turbo 以 Elo 1,334 排名 Provider Voice 第一，价格为 $40/1M characters，是 Eleven v4（$80/1M characters）的一半，生成速度达每秒 96 字符；发音鲁棒性得分为 90.1%。

MiniMax 发布基于 H3 的开源权重图像生成模型 H3-Image，支持文生图、参考图生成和图像编辑，可生成 4096 × 4096 的 4K 图像，速度最高达主流方案的 5 倍。

Google DeepMind 正式向开发者、企业、科学家和普通用户开放 Gemini 4 Carbon，定位为其最强前沿模型，主打网络安全能力与复杂知识工作、软件工程、科学推理中的长程智能体工作流。

The Decoder 报道，Anthropic 新模型 Fable 5.2 在 Scale Labs 和 Center for AI Safety 的 Remote Labor Index 基准上以 41.3% 排名第一，该测试衡量 AI 智能体能否把真实自由职业项目做到让付费客户接受的质量。

Anthropic 凌晨正式发布 Claude Fable 5.2，作者第一时间实测视频动效、Three.js 3D 场景和苹果静安店 3D 网页等 10 个任务，全部一次直出，未发现生成视频中的事实错误。