ChatGPT Voice 升级：可用插件并接入 ChatGPT Work
ChatGPT Voice 迎来升级，现在可以使用邮件、日历、Slack 等插件，并接入 ChatGPT Work，在网页端和移动端通过语音创建文档、演示文稿、网站和表格，或处理浏览器中的复杂任务。该功能由 GPT-6 Astra、Sol 和 Luna 驱动，今天起随最新版应用在全球推送。
推荐理由：ChatGPT Voice 接入邮件、日历、Slack 等插件并进入 Work，读者可据此判断语音入口能承接哪些工作流。
全部动态 · 今日2条
#语音
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
Greg Brockman · X精选82 Simon Willison62 Simon Willison 用 Gemini 3.8 TTS Playground 实测多角色语音合成
Simon Willison 发布 Gemini 3.8 TTS Playground，一个自带 API key 的交互界面，可合成单人或多人对话语音、预览音频并查看请求与响应细节，配置可保存为可分享的 URL。
Logan Kilpatrick · X精选71 Google 发布 Gemini 3.8 Flash 与 Flash-Lite TTS 语音模型
Google 发布 Gemini 3.8 Flash 和 Flash-Lite TTS 文本转语音模型，官方称其为新的 SOTA 语音模型。该模型提供新的音色设计体验、2000+ 可直接用于生产的音色、语音克隆、100 种语言支持，语音混音功能即将推出，并称在 Hume AI 的语音基准上排名第一。
推荐理由：Google 发布 Gemini 3.8 Flash 与 Flash-Lite TTS，给出 2000+ 音色、100 种语言和语音克隆等能力清单。
Google DeepMind · X62 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
Google DeepMind 发布两款文本转语音模型。Gemini 3.8 Flash TTS 可设计带有不同口音和特征的自定义音色；Gemini 3.8 Flash-Lite TTS 面向效率与规模化，可从自建风格或官方生产级音色库中选择。官方称可用于创建和部署自定义音频。
Google DeepMind精选71 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与深度创作控制，后者面向高并发配音和语音智能体。
推荐理由：原文给出两款 TTS 模型的语音克隆、逐行导演能力与基准排名，可据此判断语音生成在配音和播客场景的可用度。
OpenAI News25 Ringg 用 OpenAI 模型让 AI 智能体解决最多 65% 客服来电
Ringg 基于 GPT-5.6 构建的多语言 AI 智能体可解决最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道，成本相比 GPT-4.1 降低 90%。
Qwen · X精选71 阿里发布 Qwen-Audio-3.1 音频模型系列，含 TTS-Next 与 ASR-Next
阿里发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两个模型，共五个模型覆盖音频理解、生成、交互与创作。
推荐理由：原文列出五个音频模型的能力分工与降价幅度，读者可据此判断语音栈的选型与成本变化。
Logan Kilpatrick · X精选72 Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 实时音频模型
Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款新的 SOTA 实时音频模型，主打前沿价格与性能。3.8 Live 支持 97 种语言并可无缝切换，还支持异步工具调用等能力。
推荐理由：Google 发布新一代实时音频模型，给出语言覆盖与异步工具调用等能力，可据此判断实时语音交互的可用边界。
Google DeepMind精选82 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：两款实时语音模型给出并行推理与工具调用能力，并列出多项语音基准成绩，可据此判断语音智能体的可用边界。
Google DeepMind · X精选77 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，称其为目前最好的对话式 AI。官方表示这两款模型可以对话、思考并在后台处理任务，而不打断用户当前的工作流。
推荐理由：Google DeepMind 发布对话模型新版本，读者可了解其在实时对话与后台任务处理上的能力定位。
OpenAI News精选65 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上更强，并支持自定义音色和电话（telephony）接入。
推荐理由：GPT-Live-1 把全双工语音对话能力开放到 API，读者可据此判断语音应用的接入方式与能力边界。
Hugging Face Blog精选60 Open ASR Leaderboard 新增首个全球南方语言评测集 Monsoon
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
推荐理由：Open ASR Leaderboard 首次纳入印地语与印度英语评测集，读者可看到基准如何把说话人属性纳入公开评测。
Google DeepMind精选71 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、格式化文本。
推荐理由：官方给出流式与非流式两套 API 的 WER 数据，并对比上一代 Chirp 3，可据此判断语音转写在实际工作流中的可用性。
Mistral AI · X38 Mistral 与 HUMAIN 达成战略合作
今天，我们宣布与 @HUMAIN 达成战略合作，涵盖 AI 基础设施、先进模型开发，以及在沙特阿拉伯及整个地区部署 AI 解决方案。 我们将共同开发本地化的前沿 AI 模型，初期重点领域包括网络安全、语音，以及在阿拉伯语系语言中表现强劲的模型。 https://mistral.ai/news/mistral-x-humain/
Hugging Face Blog精选60 Hugging Face 研究如何测量语音识别中的基准优化
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：研究给出三种可复现的探测方法，量化了 ASR 模型复现基准错误转录的程度，对评测设计有直接参考。
Google Research精选72 Google 研究团队将 AMIE 推进到专家级音视频临床问诊
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：AMIE 从纯文本扩展到实时视频问诊，读者可了解异步多智能体架构如何兼顾对话延迟与临床推理。
Hugging Face Blog精选62 NVIDIA 发布 Magpie TTS 多语言开源权重模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多个既有语言的质量。
推荐理由：原文给出 364M 开源 TTS 的多语言扩展与各 GPU 上的 TTFA 实测数据，可据此评估自建语音链路的延迟预算。
Google DeepMind58 Google DeepMind 在 Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。该版本在音乐性、歌词、人声和创作控制四方面改进：可生成更丰富自然的旋律结构，歌词质量与提示词遵循度、结构感知提升，人声更具表现力和情感细节且发音改善，同时支持更便捷地控制输出节奏与时长。
Andrej Karpathy · X28 Karpathy 分享与 LLM 协作的"长语音漫谈"技巧
Andrej Karpathy 分享了一个与 LLM 协作的实用模式：切换到 /voice 语音输入，用约 10 分钟意识流式漫谈把想法一股脑说出来，哪怕杂乱无章。他表示 LLM 很擅长重构这种冗长而不连贯的漫谈，回显出的思路往往比原始输入更清晰，从而加深"心灵融合"、减少后续纠错。
Hugging Face Blog精选62 Hume 发布 Real World VoiceEQ：衡量语音 AI 的人类质量
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用超百万条人工评分构建语音 AI 基准，揭示现有指标为何高估真实对话表现。
Hugging Face Blog精选62 Hugging Face 与 Cerebras 将 Gemma 4 接入实时语音 AI
Hugging Face 与 Cerebras 演示了一套实时语音到语音管线，用 Cerebras 加速 Gemma 4 31B 的推理，把语音交互延迟压到更接近自然对话。
推荐理由：原文给出了一条可替换的实时语音到语音开源管线，读者可据此判断低延迟语音交互的工程组合方式。
Google DeepMind精选78 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款支持 70 多种语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把同传从逐句等待改为连续生成，并给出开发者、企业、消费端三条落地路径。
Nick Turley · X34 OpenAI 的 Nick Turley 表示，听写转录问题已修复，并征求反馈
已修复（感谢 @vthallam）——关于语音和/或转录，还有其他反馈吗？ @vthallam 表示，ChatGPT 听写期间有来电时转录内容消失的问题已修复，预计会在接下来几次每周发布中的某一次推出。Turley 表示问题已修复，并征求更多反馈。
Google DeepMind精选62 Google DeepMind 发布 AI co-clinician 医疗研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的“三方照护”模式。在 98 个真实初级保健查询的盲评中，该系统 97 个未出现关键错误，医生对其回答的偏好高于现有证据综合工具；在 OpenFDA 的 RxQA 开放式用药问答上超过其他前沿模型。
推荐理由：Google DeepMind 公开 AI co-clinician 研究计划，给出医生盲评、RxQA 与远程问诊模拟的具体结果，可了解医疗 AI 当前能力边界。
Google DeepMind精选71 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性、表现力和音质的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出音频标签的用法与多语言覆盖范围，读者可据此判断语音生成的可控程度。
Mistral AI精选62 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与低延迟特性。
推荐理由：原文给出 4B 参数、9 种语言与 70ms 延迟等具体指标，并附与 ElevenLabs 的对比评测，便于判断语音智能体的成本与可用性。
Mistral AI精选72 Mistral 发布 Voxtral Transcribe 2 语音转写模型家族
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。
推荐理由：原文给出两款语音转写模型的延迟、价格与开源许可，读者可据此判断实时语音场景的选型空间。
Mistral AI精选62 Mistral 为 Le Chat 上线 Deep Research、语音模式等多项新功能
Mistral 为 Le Chat 推出一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：Mistral 一次性把深度研究、语音、推理与图像编辑并入 Le Chat，可据此判断其助手产品的能力边界。
Mistral AI精选78 Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本开源
Mistral 发布 Voxtral 语音理解模型，提供 24B 和 3B 两种规格，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音触发函数调用能力，文本能力继承 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两种规格、Apache 2.0 许可与 API 定价，可据此判断语音转写与理解的选型成本。