技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
26 条精选近 30 天 5 条共收录 134 条
Hugging Face 发布可在本地设备运行的文本转语音模型 Phonon，无需服务器和网络，两周内下载量超过 200,000 次。模型提供约 65 MB 和 75 MB 两个尺寸，支持英语、法语、德语、西班牙语和葡萄牙语五种语言及 100 多个内置声音；Phonon 31m 仅支持英语并采用 Apache 2.0 许可，Phonon 40m 覆盖五种语言但限非商业使用。
推荐理由：原文交代了小模型兼顾音质与体积的技术路线、许可证差异和排行榜成绩，可帮助判断端侧语音方案的可用性。
Hugging Face 官方博客宣布推出 AnySpeechRecognizer 和 AnyDecisionModel 两个 Swift 包，均支持从 Hugging Face Hub 下载开源模型并在设备端运行。
推荐理由：原文给出可选引擎、模型体积与实测词错率，读者可据此判断端侧语音方案的取舍。
NVIDIA 宣布 RTX Spark Windows 笔记本现已由 ASUS、Dell、HP、Lenovo、Microsoft、MSI 提供，起价 $2,599，128GB 配置已上架，采用 Blackwell RTX GPU 与 Grace CPU 单颗超芯，最高 128GB 统一内存、1 petaflop FP4 AI 性能。
推荐理由：原文集中列出 RTX Spark 笔记本的模型、Agent 工具和游戏更新，读者可据此判断本地 AI 工作流的可用范围。
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
Mistral AI 发布 Voxtral 3，包含语音转文本、文本转语音模型与基于 LiveKit 的语音 Agent SDK，把听、推理、工具调用与说话整合进单一实时流式管线，每轮对话在 1 秒内完成。
推荐理由：原文给出各模型定价与多项评测口径，读者可据此比较它与现有语音方案的成本和适用场景。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音对话结合，为 Gemini 的对话式 AI 带来近实时的视觉形象。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解其多语言同步与异步工具调用如何用于企业对话场景。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演与多语言覆盖的具体能力与开放入口。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，分别面向规模化低成本场景与高复杂度多步推理任务。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力与成本取舍。
OpenAI 在 API 中推出 GPT-Live-1，带来自然的全双工语音对话能力，并具备更强的指令遵循、自定义声音和电话（telephony）支持。
推荐理由：原文点明了全双工语音、自定义声音和电话接入三项能力，读者可据此判断它对语音应用形态的影响。
Voice Arena 与 Hugging Face 合作向 Open ASR Leaderboard 新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，Hindi 成为该多语言标签页上的首个 Indic 语言。
推荐理由：原文用分区 WER 差异和 lattice 打分对比说明单一 WER 的盲区，读者可据此理解榜单评测的可迁移设计。
Google DeepMind 发布语音转写模型 Gemini 3.5 Transcribe，可将原始音频直接转为准确、格式化的文本，已在 Gemini app 和 Android 的 Rambler 等功能中使用，现通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 向开发者开放。
推荐理由：原文给出了 WER、延迟等量化指标和 Chirp 3 对比，读者可据此评估其在真实场景的可用性。
Hugging Face 发布研究，提出三种测试来量化语音识别中的基准优化（benchmaxxing）现象，并评测了 11 个广泛使用的开源 ASR 模型。
推荐理由：研究给出三种可量化探测方法与具体数据，读者可据此理解公开语音基准分数虚高的机制并改进自己的评测选择。
OpenAI 发布新一代语音模型 GPT-Live，用于自然的人机语音交互，目前已成为 ChatGPT Voice 的驱动模型。
Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，支持 70+ 语言近实时语音到语音翻译，可自动检测语言并保留说话者的语调、节奏和音高，持续生成语音且仅比说话者落后几秒。
推荐理由：原文说明了从五种语言到 70+ 语言的跨度变化，读者可据此判断它对会议翻译场景的实际影响。
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，通过在文本中嵌入自然语言 audio tags 实现对语音风格、语速和表达的细粒度控制。
推荐理由：原文给出了基准分数和开放入口，读者可据此判断其在语音生成上的定位与可用性。
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为迄今质量最高的音频与语音模型，精度与延迟均有改善。在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：给出了两项基准分数和面向开发者、企业、普通用户的开放入口，读者可据此判断其在语音智能体场景的可用性。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数量 4B，基于 Ministral 3B 构建，支持 9 种语言（英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语、阿拉伯语）的自然情感语音生成。
推荐理由：原文给出了架构组成、延迟数据和与 ElevenLabs 的人工评测对比，读者可据此判断其在语音智能体场景的可用性。
Mistral AI 发布 Voxtral Transcribe 2 系列，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime，后者以 Apache 2.0 开源权重在 Hugging Face 发布。
推荐理由：原文给出两款模型的延迟、词错率与价格对比，读者可据此评估其在语音工作流中的替换价值。
Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio，用于实时语音智能体，已在 Google AI Studio、Vertex AI 提供，并开始在 Gemini Live 和 Search Live 中推出，其中 Search Live 首次引入原生音频自然度。
推荐理由：原文给出了三项具体能力改进和评测分数，读者可据此判断它在语音智能体场景的实际可用性。
Google Research 介绍了一种端到端实时语音到语音翻译（S2ST）模型，可保留原说话人声音进行实时翻译，延迟仅 2 秒，而现有级联式方案通常有 4–5 秒延迟并存在误差累积。
推荐理由：原文对比了级联方案的延迟与误差累积问题，读者可据此理解端到端流式架构带来的改进方向。