Cactus Compute 发布 16.9 MB 端侧语音识别模型 Whistle

Cactus Compute 发布语音识别模型 Whistle，单文件 16.9 MB，可在 CPU 上无依赖运行，面向手机、可穿戴设备、机器人、智能家居、汽车和微控制器。

TII 发布 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型

阿布扎比 Technology Innovation Institute（TII）发布 1.6B 参数语音识别模型 Falcon-ASR，重点支持阿拉伯语和阿联酋方言，并支持英语、法语、西班牙语、葡萄牙语。

Sarvam AI 发布语音识别模型 Saaras V4

Sarvam AI 发布新一代语音识别模型 Saaras V4，采用音频编码器加内部从零训练的 3B 混合状态空间 LLM 解码器。模型支持 transcribe、translate、verbatim、translit、codemix 五种转写模式，覆盖 22 种印度语言和英语，并针对噪声、代码混用和方言变化设计。

Interfaze 1 Lite 开放权重模型发布，面向文档、语音与视觉任务

Interfaze 1 Lite 发布为面向开发者工作负载的开放权重 mixture-of-architectures 模型，由视觉语言推理核心调度文档、语音、检测、分割、预测和安全等专用架构。

Grok Voice 登顶全新语音智能体基准测试

Grok Voice 在 Voice Agent Simulation Bench 公用事业账单与支付协助测试中以 44.7% 任务完成率位列第一，延迟 2.64s，单次通话成本约 $0.210。该基准每通电话串联 2 至 4 个来电请求，并叠加街道、咖啡馆或电视噪声及不同情绪来电者。Gemini 3.8 Live 与 GPT-Live 1 分别以 40.1%、39.2% 紧随其后。

Microsoft AI 发布 MAI-Transcribe-2-Streaming 及两款新语音模型

Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首批部分结果延迟略高于 100 毫秒，年内入门价为每小时音频 $0.54。

微软发布实时流式语音转写模型 MAI-Transcribe-2-Streaming

微软推出首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，可在讲话过程中持续输出文字，覆盖 60 种语言并支持自动语言检测。

elvis@omarsar0AI 评分4949

这太令人惊叹了！面对面对话正是 AI 界面的发展方向。 @tavus 给了我 Griffin 的早期体验资格，这是一个视频转视频模型，在你说话时会观察和倾听。 它可以打断你、接受被打断，并对你房间里正在发生的事情做出反应。 在 NVIDIA 的 Video Full-Duplex Benchmark 上，它在生成项获得 3.83 分（满分 5 分），而真人的得分为 3.92。 值得查看下方的所有细节。

🚨 AI News | TestingCatalog@testingcatalogAI 评分5454

Microsoft 宣布推出 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 三款模型，并将接入 MAI Playground 和 API。新模型主打准确的流式转录、自然语音以及更短的轮次等待，面向对话式语音智能体；MAI Playground 还新增 Chatter 语音演示体验。

Tavus 推出 Human Interaction Model Griffin，48% 受试者在一分钟视频通话中误认其为真人

Tavus 推出名为 Griffin 的 Human Interaction Model，用于实时理解并进行面对面视频对话，可处理语音、面部表情、语气、手势和停顿。

Rohan Paul@rohanpaul_aiAI 评分6060

Tavus 推出人类交互模型 Griffin，称其通过视频图灵测试，48% 与其实时对话的人认为它是真人，此前系统通过率低于 3%。在 NVIDIA 面对面 AI 榜单中，真人得分为 3.92/5，Griffin 得分为 3.83/5，次优系统为 2.80/5。Griffin 将听、思考、说话和动画生成整合在一个系统中，可读取面部、语气和话语，并在用户仍在说话时作出反应。

哔哩哔哩开源 Index-Translate 多语言翻译模型家族，文本模型支持 150 种语言

哔哩哔哩 Index LLM 团队发布并开源 Index-Translate 多语言翻译模型家族，2B、9B 和 35B-A3B preview 文本模型权重已在 Hugging Face 与 ModelScope 开放。

Lokutor 发布 Oído：可在 5 美元 ESP32-S3 上运行的开放词汇英语语音识别

Lokutor 发布 Oído，让任意英语句子的语音转文字完全运行在 ESP32-S3 上，无需云端、固定命令列表或神经加速器。

ElevenLabs 发布高表现力文本转语音模型 Eleven v4 与低延迟版 Eleven v4 Turbo

ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，主打情绪、语气、节奏、角色和上下文理解。Eleven v4 Turbo 面向智能体等低延迟场景，中位推理延迟约 100ms，请求到可听语音的中位时间约 150ms，并与 ElevenAgents 协同优化。

ElevenLabs 发布 Eleven v4 语音模型及低延迟 Turbo 版本

ElevenLabs 发布 Eleven v4 语音模型，并推出面向实时语音智能体的 v4 Turbo；标准版单次可处理 10,000 字符，支持 90 多种语言，Turbo 约 150 毫秒开始发声。

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS

Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，分别面向深度角色创作和高容量、低成本规模化场景。

SpaceXAI@SpaceXAIAI 评分4444

推出 Grok Voice Transcribe 2.0。它是世界上最准确的语音转录模型。

TypeSafe 推出 Jev「System One Model」：仅做决策、分类、路由与评分，比小型前沿 LLM 快逾 100 倍、成本低逾 200 倍

TypeSafe 发布基于 RLCD 训练的 Jev 决策模型，专为分类、判断、路由与评分等结构化输出设计，不生成自由文本。官方称其速度提升 20–200 倍、成本降低 40–400 倍且输出 token 免费，可在生产系统中替代 LLM 承担结构化分类器、裁判与路由策略任务。

Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音对话模型

Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款近实时语音对话模型，分别面向规模化成本效率与高复杂度多步推理任务。

Google DeepMind 发布语音转文字模型 Gemini 3.5 Transcribe

Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文字模型，并通过 Google AI Studio 的 Gemini API 和 Gemini Enterprise Agent Platform 向开发者开放公开预览。

SpaceXAI@SpaceXAIAI 评分3838

Grok Voice Think Fast 2.0 目前在 Artificial Analysis 语音对语音指数上排名第一。 该指数衡量语音智能体能否对听到的语音进行推理、解决真实客户问题，并使用智能体工具正确完成任务。

NVIDIA Magpie TTS Multilingual 发布开放权重版本，支持12种语言与自托管低延迟语音智能体

NVIDIA 在 Hugging Face 发布 Magpie TTS Multilingual 开放权重模型，参数规模364M，支持12种语言，并提供 NVIDIA NIM 生产推理容器。

Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型

Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可对 70 多种语言进行近实时语音到语音翻译，并保留说话者的语调、节奏和音高。

Google DeepMind 发布 Gemini Omni Flash 多模态视频生成模型

Google DeepMind 推出 Omni 系列首个模型 Gemini Omni Flash，支持组合图像、音频、视频和文本输入，生成依托 Gemini 现实知识的高质量视频，并可通过多轮自然语言对话编辑视频。

Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

Google DeepMind 推出 Gemini 3.1 Flash TTS 文本转语音模型，主打更强的可控性、表现力和音质，并通过 Gemini API、Google AI Studio、Vertex AI 预览开放，Workspace 用户可在 Google Vids 中使用。

Mistral AI 发布 4B 参数文本转语音模型 Voxtral TTS

Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数规模 4B，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。

Mistral AI 发布 Voxtral Transcribe 2 语音转文字模型

Mistral AI 发布 Voxtral Transcribe 2，包含面向批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，均支持 13 种语言。

Mistral AI 发布 Voxtral 语音理解模型，推出 24B 与 3B 版本

Mistral AI 发布 Voxtral 语音理解模型，包含面向生产的 24B Voxtral 和面向本地及端侧部署的 3B Voxtral Mini，二者均采用 Apache 2.0 许可并提供 API。