IBM 发布 Granite Switch 4.1：单端点支持对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，在单一托管端点上同时支持自然语言对话、通用与专用决策以及语音转文字。
推荐理由：Granite Switch 4.1 把决策适配器与 ASR 模型合入同一端点，读者可据此判断多任务模型在显存与推理速度上的取舍。
#语音
#语音
今日 0 条Hugging Face Blog精选AI 评分7070
Hugging Face BlogAI 评分4242 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，聚焦阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，重点支持阿联酋方言，同时覆盖英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，优于榜单快照中最佳公开结果 23.17%；内部阿联酋方言评测 WER 22.73%、CER 10.19%，均低于对比系统。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话、异步工具调用与 97 种语言切换能力，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 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逐句表演指导，后者面向高并发配音与语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，便于判断语音生成在配音和智能体场景的落地方式。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：两款语音对话模型同时给出基准成绩与开放入口，读者可据此判断实时语音智能体的能力水位与落地路径。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文本模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文本模型，可将原始音频直接转为准确、格式化文本。据 Artificial Analysis 测量，流式场景平均词错误率 4.0%，非流式 2.6%，最终转写时间较上一代 Chirp 3 改善 70%；在 FLEURS 基准上流式 WER 为 5.50%、非流式 5.04%。
推荐理由：官方给出 WER、延迟与多语言等指标，并对比上一代 Chirp 3，便于判断语音转写的能力边界。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：364M 开放权重，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数开放权重模型，支持 12 种语言，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种既有语言的质量。
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，便于评估自建语音链路的延迟预算。
Google DeepMind精选AI 评分6060 Google DeepMind 在 Google 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。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，同时可更便捷地控制输出节奏与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与创作控制上的具体改进，可据此判断音乐生成能力的变化。
OpenAI News精选AI 评分6262 OpenAI 发布新一代语音模型 GPT-Live
OpenAI 发布新一代语音模型 GPT-Live，用于实现更自然的人机交互，目前已为 ChatGPT Voice 提供支持。
推荐理由：OpenAI 发布新一代语音模型 GPT-Live，读者可了解 ChatGPT Voice 背后的模型换代。
Google DeepMind精选AI 评分8282 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，可自动检测语种并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续生成语音的取舍机制与 70+ 语种覆盖，可据此判断实时翻译的可用边界。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款覆盖文本、图像、视频与音频的全模态理解模型，基于 Nemotron 3 Nano 30B-A3B 骨干，搭配 C-RADIOv4-H 视觉编码器和 Parakeet-TDT-0.6B-v2 音频编码器。
推荐理由：NVIDIA 开源的全模态模型，给出架构、训练配方与多榜单对比，可据此判断长文档与音视频智能体的选型空间。
Google DeepMind精选AI 评分7171 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，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。
推荐理由：官方给出 Elo 1211、70+ 语言与 audio tags 等具体指标，可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上以 90.8% 领先上一代，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分为 36.1%。
推荐理由：官方给出语音模型的基准成绩与多产品接入路径，可据此判断实时语音智能体的可用性变化。
Mistral AI精选AI 评分7171 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，具备情感表达与零样本跨语言音色适配能力。
推荐理由：原文给出 4B 参数、9 种语言与 70ms 延迟等具体指标，读者可据此判断语音智能体的成本与可用性。
Mistral AI精选AI 评分7878 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：官方给出两款语音转写模型的延迟、错误率与定价对比，可据此判断实时语音应用的落地成本。
Google Research精选AI 评分6262 Google 发布 MedGemma 1.5 4B 与医疗语音模型 MedASR
Google 发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并保留 2D 图像与文本能力。官方称在内部基准上，CT 病灶分类准确率从 58% 提升到 61%，MRI 从 51% 提升到 65%，MedQA 从 64% 提升到 69%。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Google DeepMind精选AI 评分7878 Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio
Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio，面向实时语音智能体，在复杂工作流处理、指令遵循和多轮对话上做了改进。
推荐理由：官方给出函数调用、指令遵循与多轮对话三项能力的具体提升数据，可据此判断语音智能体的可用边界。
OpenAI News精选AI 评分7272 OpenAI 发布 gpt-realtime 并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并更新 Realtime API。新 API 能力包括 MCP server 支持、图像输入和 SIP 电话呼叫支持。
推荐理由：OpenAI 发布新一代语音到语音模型并扩展 Realtime API，读者可了解语音智能体接入电话与工具的新入口。
Mistral AI精选AI 评分8080 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 两种尺寸，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。
推荐理由：Mistral 开源语音理解模型，给出两种尺寸、Apache 2.0 许可与 API 定价，读者可据此判断语音能力的开放程度与成本。
OpenAI News精选AI 评分7878 OpenAI 发布 o1 模型及多项开发者工具更新
OpenAI 发布 o1 模型，并同步带来 Realtime API 改进、新的微调方法等面向开发者的更新。官方称此次更新面向开发者，涵盖模型与工具两方面。
推荐理由：OpenAI 官方一次性公布 o1 模型与 Realtime API、微调方法等开发者工具更新，可据此了解其开发者侧能力布局。
OpenAI News精选AI 评分8282 OpenAI 发布新旗舰模型 GPT-4o
OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可实时跨音频、视觉和文本进行推理。
推荐理由：OpenAI 发布新旗舰模型 GPT-4o，可实时跨音频、视觉和文本推理，读者可据此了解其多模态能力定位。
OpenAI News精选AI 评分7878 OpenAI 开源语音识别模型 Whisper
OpenAI 宣布训练并开源神经网络 Whisper，称其在英文语音识别上接近人类水平的鲁棒性和准确率。
推荐理由：OpenAI 开源语音识别模型 Whisper，读者可了解其在英文语音识别上的鲁棒性与准确率定位。
OpenAI News精选AI 评分7878 OpenAI 发布生成音乐的神经网络 Jukebox
OpenAI 推出 Jukebox，一个能生成音乐的神经网络，可输出多种流派和艺术家风格的原始音频，并包含初步的歌唱。OpenAI 同时公开了模型权重和代码，以及一个用于试听生成样本的工具。
推荐理由：OpenAI 公开 Jukebox 的模型权重与代码，读者可了解这套生成原始音频的神经网络能产出哪些风格的音乐。