27 条精选近 30 天 9条共收录 69条
更新IBM 发布了 Granite-Switch-4.1-8B 和 -30B，通过一个托管端点整合了聊天、通用决策 aLoRA、专用 Guardian aLoRA，以及 Granite-Speech-5.0-Turbo-CTC 转录功能。IBM 表示，组合模型使用的 GPU VRAM 与基础模型大致相同，因为适配器会复用基础模型的 KV 缓存。用户还可以使用 Granite Libraries 适配器组合自定义 Switch 模型；IBM 计划推出用于在 Mellea 中训练适配器的 Adapter SDK。
推荐理由：共享 KV 缓存和模块化适配器提供了一种切实可行的方法，可将通用决策、专用决策与转录功能结合起来，同时让 GPU 内存用量接近基础模型。
Artificial Analysis 报告称，Fish Audio 的 Drama 3 Preview 在其全部三个文本转语音排行榜中均位列开放权重模型第 1，并在所有模型的发音稳健性排名中领先。其发音稳健性得分为 93.2%，高于 Eleven v4 的 91.7% 和 Eleven v4 Turbo 的 90.1%；在 Provider Voice 中排名第 10，在 Controlled Voice 中排名第 14。其权重可在 Hugging Face 上获取，遵循 Fish Audio Community License；Fish Audio API 的价格为每 100 万字符 15 美元。
推荐理由：该比较将发音稳健性与语音偏好排名区分开来，展示了 Drama 3 Preview 在一项指标上的领先优势与其在其他排名中的位置有何不同。
微软 AI 即将推出 MAI-Transcribe-2-Streaming，Mustafa Suleyman 称其为全球最准确的实时转录模型。 他声称，该模型比 ElevenLabs 快 55%、便宜 60%，并邀请开发者在微软平台上构建智能体。 在引用的帖子中，Artificial Analysis 报告称，该模型在 AA-WER Streaming 的最终转录和首个部分转录准确率排名中均位列第一；语音结束后 0.13 秒，最终转录的 WER 为 2.5%，流式转录定价为每小时音频 0.54 美元。
推荐理由：引用的基准测试对比将转录准确率与延迟和定价放在一起，为读者在为智能体选择流式语音模型时提供了具体的权衡依据。
Hugging Face 发布 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开源 TTS 模型，把评测周期从数周投票缩短到数小时。
推荐理由：Hugging Face 用客观指标替代投票式评测，读者可了解开源 TTS 模型在多语言与语音克隆上的横向对比方式。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音结合，为 Gemini 的对话模型带来近实时的视觉形象，具备精准唇形同步、自然表情和流畅的轮流对话能力。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景的落地形态与开放范围。
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。
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 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。
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。
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 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 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 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。
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 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。
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 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。
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。
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 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。
