Deepgram 如何用 AWS Trainium 优化大规模语音 AI
Deepgram 与 AWS 合作将 Nova-3 语音转文本模型移植到 Trainium2，用于客服分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，按评估时实例价格计算，每美元处理的音频量比原有算力方案提升 11%–70%。
#语音
#语音
今日 1 条AWS Machine Learning BlogAI 评分3636
Hugging Face Blog精选AI 评分7070 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。
OpenAI NewsAI 评分00 Higgsfield 用 GPT-6 Astra 将 AI 视频时长从 1 分钟提升至 10 分钟以上
Higgsfield 借助 GPT-6 Astra 把 AI 视频生成时长从 1 分钟延长到 10 分钟以上，同时用 GPT-Image-2.5 提升画面精度，并通过 GPT-Live 打通语音电影制作路径。
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。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好、解答政策问题并转接人工客服。
Hugging Face BlogAI 评分3838 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
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。
OpenAI NewsAI 评分2222 Ringg 用 OpenAI GPT-5.6 让 AI 智能体解决最多 65% 客服来电
Ringg 基于 GPT-5.6 打造的多语言 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%。
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。
OpenAI News精选AI 评分6666 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语音（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，开发者可据此判断语音应用的接入方式变化。
Hugging Face BlogAI 评分5252 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。
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 Hugging Face 研究：语音识别基准优化如何被量化
Hugging Face 发布研究，用共识分歧探针、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：通过三类探针量化 ASR 模型的基准优化现象，并给出可复用的检测脚本与榜单入口。
Google Research精选AI 评分7171 Google 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推理诊断。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 多智能体架构的评测细节，可了解实时音视频临床推理的当前边界。
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。
OpenAI NewsAI 评分4040 OpenAI 如何在六个月内为 GPT-Live 构建实时语音 AI 系统
OpenAI 用六个月搭建了 GPT-Live 的实时语音系统，通过无轮次语音模型与低延迟架构实现与 AI 的连续语音交互，让对话更快、更自然。
OpenAI NewsAI 评分2727 avatarin 如何用 GPT-Realtime 打造 24/7 零售智能体
avatarin 基于 OpenAI 的 GPT-Realtime 为山田电机（Yamada Denki）顾客提供 24/7 多语言支持。两周内该智能体被 30,000 人使用，92% 的问卷反馈为正面评价。
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 NewsAI 评分4040 OpenAI 推出 OpenAI Presence 企业 AI 智能体平台
OpenAI 推出企业 AI 智能体平台 OpenAI Presence，可部署可信的语音与聊天智能体，用于客户及内部工作流。该平台定位为经过验证的企业级方案。
OpenAI NewsAI 评分2222 Cars24 如何用 OpenAI 扩展对话并加速构建
Cars24 借助 OpenAI 驱动的语音与聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队，以加快构建速度。
Hugging Face BlogAI 评分5050 Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类质量基准
Hugging Face 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 多项指标，涵盖 ASR、TTS、S2S 与语音理解。
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。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理。该架构为开放可替换的级联栈：Nvidia Parakeet 做语音识别，Gemma 4 VLM 在 Cerebras 上推理，阿里 Qwen3TTS 做文本转语音。
推荐理由：原文给出了可复用的开源语音到语音流水线架构，读者可据此了解各模块如何组合与替换。
Hugging Face BlogAI 评分4242 Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 排行榜
Hugging Face 与 Treble Technologies 发布首个开放、社区驱动的远场 ASR 评测榜 FFASR，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 两列做 sim-to-real 验证。
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 BlogAI 评分5050 Reachy Mini 实现完全本地运行：Hugging Face 发布本地语音对话方案
Hugging Face 为 Reachy Mini 推出完全本地化的语音对话方案，基于其 speech-to-speech 级联管线（VAD → STT → LLM → TTS），无需云端和 API key。
OpenAI NewsAI 评分2222 Parloa 基于 OpenAI 模型构建语音 AI 客服智能体
Parloa 利用 OpenAI 模型打造可扩展的语音驱动 AI 客服智能体，让企业能够设计、模拟并部署可靠的实时交互。
OpenAI News精选AI 评分6262 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
推荐理由：OpenAI 在 API 中上线新的实时语音模型，读者可了解其在推理、翻译与转写上的能力方向。
Hugging Face BlogAI 评分3434 Hugging Face 为 Open ASR Leaderboard 引入私有数据集以抵御 benchmaxxing
Hugging Face 联合 Appen Inc. 和 DataoceanAI 为 Open ASR Leaderboard 引入高质量私有英文 ASR 数据集，覆盖多口音的朗读与对话语音，以防止 benchmaxxing 和测试集污染。榜单默认平均 WER 仍仅基于公开数据集计算，用户可通过开关选择是否纳入私有数据集。该榜单自 2023 年 9 月上线以来访问量已超 710K 次。
OpenAI NewsAI 评分2222 Uber 用 OpenAI 打造 AI 助手与语音功能，帮司机赚得更聪明、乘客下单更快
Uber 正用 OpenAI 驱动 AI 助手和语音功能，帮助司机更聪明地赚钱、乘客更快下单，覆盖其全球实时交易市场。
OpenAI NewsAI 评分3030 OpenAI 如何大规模实现低延迟语音 AI
OpenAI 重建了其 WebRTC 技术栈，以支撑实时语音 AI 的低延迟、全球规模与流畅的对话轮次切换。
Google DeepMind精选AI 评分6262 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 例无关键错误，优于医生常用的两款 AI 系统；在 140 项问诊技能评估中，AI 有 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体仍更优。
推荐理由：DeepMind 公开 AI co-clinician 研究计划，给出医生端证据综合与患者端实时多模态问诊的对照评测结果。
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。
Hugging Face BlogAI 评分5151 ServiceNow 发布语音智能体端到端评测框架 EVA
ServiceNow 在 Hugging Face 发布 EVA，一个面向对话式语音智能体的端到端评测框架，同时给出 EVA-A（准确率）和 EVA-X（体验）两个分数，并称是首个联合评估任务成功与对话体验的框架。
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。
Google Research精选AI 评分6262 Google Research 发布 WAXAL：覆盖 27 种非洲语言的开放语音数据集
Google Research 发布 WAXAL，一个面向撒哈拉以南非洲 27 种语言的大规模开放语音数据集，采用 CC-BY-4.0 许可。其中 WAXAL-ASR 包含约 1,846 小时转写自然语音，WAXAL-TTS 包含超过 565 小时高保真录音，数据采集由非洲高校与社区组织主导，覆盖 100 多万使用者。该数据集旨在支持低资源语言的语音识别与合成系统开发，并计划持续扩充语言种类。
推荐理由：Google Research 联合非洲高校发布 27 种语言的开放语音数据集，读者可了解低资源语言语音数据的采集方法与规模。
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。