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。
#语音
#语音
今日 0 条Hugging Face BlogAI 评分5555
Hugging Face BlogAI 评分5858 Hugging Face 推出 Open TTS Leaderboard，评测多语言 TTS 与声音克隆
Hugging Face 推出 Open TTS Leaderboard，用客观指标规模化评测开源文本转语音模型，指标包括基于 Qwen3 ASR 的 WER/CER、H200 GPU 上的 RTFx 与 TTFA，以及基于 WavLM 的说话人相似度 SIM。
Runway@runwaymlAI 评分4747ElevenLabs v4 现已登陆 Runway。v4 模型擅长旁白和角色对话，拥有比以往更强的表现力和更自然的语调。 今日起与全球最出色的图像和视频模型一同可用。点击下方链接立即体验。
Manus@ManusAIAI 评分6060
AWS Machine Learning BlogAI 评分4242 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（第 1 部分）
AWS 教程展示如何在 Amazon SageMaker AI 上通过 vLLM-Omni v1.5 DLC 部署 Qwen3-TTS，实现文本输入与 24 kHz PCM 音频块在同一 HTTP/2 WebSocket 连接上双向流式传输。
OpenAI NewsAI 评分2626 Proaction 借助 Codex 推动销售额增长 60%，并节省 75 小时以上
车队管理软件公司 Proaction 使用 Codex、GPT-Live-1 和 GPT-6 Astra 后，销售额增长 60%，每月节省工程工时 40–60 小时、创始人工时 33 小时。
AWS Machine Learning BlogAI 评分4747 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音
Amazon SageMaker JumpStart 现可部署公开的 Qwen3-TTS-12Hz-1.7B-Base 到全托管实时推理端点，用于几秒参考音频的声音克隆。
OpenAI NewsAI 评分3939 Lowe’s 借助 OpenAI 为数百万家装问题提供解答
Lowe’s 基于 OpenAI 模型打造面向顾客的 Mylow 与面向员工的 Mylow Companion，自 2025 年春季上线以来已解答数百万个家装问题。Mylow Companion 已覆盖全美 50 个州约 1,700 家门店的约 300,000 名员工，近半数交互通过语音完成。使用 Mylow 的顾客转化率是未使用时的 3 倍。
Google DeepMind精选AI 评分7171 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，为 Gemini 3.8 Live 增加近实时视频数字人形象，并已在 Gemini Enterprise 中可用。
推荐理由：官方说明了实时数字人、异步工具调用、97 种语言和企业版可用性，便于评估其在客服与交互式引导中的接入方式。
AWS Machine Learning BlogAI 评分4242 在 SageMaker AI 上使用 WhisperX 实现带说话人标签的语音转录
AWS 推出 WhisperX 深度学习容器，可在 Amazon SageMaker AI 上部署带逐词时间戳和说话人标签的语音转录服务。该容器基于 OpenAI Whisper，集成 wav2vec2 强制对齐与说话人分离，支持 json、srt、vtt 等输出格式，无需自建镜像。实时端点适用于 60 秒内的短音频，异步端点适用于长音频与批量任务。
Google DeepMind精选AI 评分8181 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。
推荐理由：官方完整说明两款 TTS 模型的定位、定制能力、语言覆盖、评测表现和可用入口，便于判断适用场景。
OpenAI NewsAI 评分2424 Ringg 的 AI 智能体借助 OpenAI 解决最高 65% 的客户来电
Ringg 基于 GPT-5.6 打造的 AI 智能体可解决最高 65% 的客户来电。这些智能体支持语音、聊天、WhatsApp 和网页等多语言场景，成本较 GPT-4.1 降低 90%。
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。
- SpaceXAI@SpaceXAIAI 评分5252引用fal@fal
Grok Voice is live on fal. The latest speech model from @SpaceXAI that answers in 0.70 seconds and finishes its tool calls before the sentence ends. Transcription with word-level timestamps, text to speech in 30+ voices across 25+ languages, and cloning from two minutes of audio. Every voice in this video is from Grok Voice.
Google DeepMind精选AI 评分8686 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。
推荐理由：官方同时给出两款实时语音模型的定位、基准成绩与 API、企业版和消费端开放路径，便于判断语音智能体落地选择。
OpenAI News精选AI 评分7171 OpenAI 在 API 中推出 GPT-Live-1，支持全双工语音对话
OpenAI 在 API 中推出 GPT-Live-1，面向更自然的语音体验。该模型支持全双工语音对话，并增强指令遵循、自定义声音和电话集成能力。
推荐理由：官方说明了 GPT-Live-1 的全双工语音、指令遵循、自定义声音和电话能力，便于判断 API 语音应用的接入方向。
Hugging Face Blog精选AI 评分6262 Open ASR Leaderboard 新增印地语和印度英语评测集 Monsoon
Voice Arena 与 Hugging Face 合作，为 Open ASR Leaderboard 新增 Monsoon en-IN 和 Monsoon hi-IN 两套评测，覆盖印度英语和印地语。
推荐理由：文章详细说明了印地语和印度英语评测集的说话人覆盖、元数据设计与计分方式，可帮助理解 ASR 榜单如何暴露群体差异。
Google DeepMind精选AI 评分8080 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。
推荐理由：文章给出实时与预录制两种 API、WER、语言支持和落地入口，便于开发者判断语音智能体与转写管线的接入方式。
- SpaceXAI@SpaceXAIAI 评分4545
在 LiveKit 中使用 Grok Voice 模型构建实用的语音智能体，全面支持 ZDR
引用LiveKit@livekitWe built a patient intake agent with @SpaceXAI that runs end to end on Grok voice models. Grok STT → Grok 4.3 → Grok TTS, cascaded through LiveKit Inference. Three model strings in one AgentSession. No separate API key, no separate billing, ZDR on every hop. Talk to it: https://xai.livekit.space
- SpaceXAI@SpaceXAIAI 评分3838
Mistral AIAI 评分5959 Mistral 与 HUMAIN 达成数亿欧元战略合作，在沙特及中东推进主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发和 AI 解决方案在沙特及中东地区的部署，合作规模达数亿欧元。双方将推进先进 AI 模型开发与本地化，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型。Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特制定联合市场策略，面向受监管行业提供 AI 解决方案。
Hugging Face Blog精选AI 评分6767 Hugging Face 研究提出三类测试，量化语音识别模型的基准优化现象
Hugging Face 发布研究，用参考文本分歧、遮蔽实体检索和拼写切换三类探针测试 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转录中的错误或缺失内容。
推荐理由：研究用三类探针把语音识别模型迎合公开基准的行为量化出来，为选型时超越单一 WER 和使用留出集提供依据。
Hugging Face Blog精选AI 评分7272 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。
推荐理由：文章给出12种语言、364M参数和多GPU延迟数据，可帮助评估自建低延迟语音智能体的部署方案。
Hugging Face BlogAI 评分5252 Hugging Face 介绍 Real World VoiceEQ：衡量语音 AI 的人类体验质量
Hugging Face 发布 Real World VoiceEQ 语音 AI 基准，覆盖 ASR、TTS、Speech-to-Speech 和 Speech Understanding，评测 40 多个模型、15+ 维度和 60 多项指标。
Hugging Face BlogAI 评分5353 Hugging Face 与 Cerebras 推出基于 Gemma 4 的实时语音 AI 演示
Hugging Face 与 Cerebras 发布实时语音 AI 演示，将开放的级联语音到语音架构与 Cerebras 推理结合。链路使用 Nvidia Parakeet 做语音识别、Cerebras 上的 Google DeepMind Gemma 4 31B VLM 推理，以及 Alibaba Qwen3TTS 生成语音；各层开放、可替换。
Google DeepMind精选AI 评分8383 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。
推荐理由：官方说明了 70 多种语言的连续语音翻译能力，并给出 API、Google Meet 和 Google Translate 的落地入口。
Google DeepMind精选AI 评分8686 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。
推荐理由：可了解 Gemini Omni Flash 的多模态输入、对话式视频编辑与上线渠道，便于对比现有视频生成工具的工作流差异。
Google DeepMind精选AI 评分7272 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。
推荐理由：官方说明了模型的可控语音标签、多语种支持和预览入口，便于开发者判断其在语音应用中的接入方式。
Mistral AI精选AI 评分8181 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。
推荐理由：官方公布了多语言语音生成、低延迟、声音适配和开放方式，可帮助评估其在企业语音智能体流程中的适用性。
Google Research精选AI 评分6262 Google Research 发布 WAXAL：覆盖 27 种撒哈拉以南非洲语言的开放语音数据集
Google Research 发布开放语音数据集 WAXAL，覆盖 27 种撒哈拉以南非洲语言、超过 26 个国家的 1 亿多名使用者。初始版本包含约 1,846 小时 ASR 转写自然语音和超过 565 小时 TTS 高保真录音，并以 CC-BY-4.0 许可开放。数据集自 2021 年起与非洲学术及社区组织合作建设，Google 还计划继续扩展语言覆盖。
推荐理由：原文给出语言覆盖、ASR 与 TTS 数据规模及开放许可，便于读者评估其对低资源语音研究的基础价值。
Mistral AI精选AI 评分8181 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。
推荐理由：官方同时给出批处理与实时两款语音转文字模型的延迟、价格、语言支持和开放权重安排，便于比较接入方式。
Mistral AI精选AI 评分7272 Mistral AI 为 Le Chat 推出 Deep Research、语音模式、Projects 与图像编辑等功能
Mistral AI 为 Le Chat 发布多项新功能，包括 Deep Research 预览模式、基于 Voxtral 的语音模式、由 Magistral 驱动的多语言 Think 模式、Projects 文件夹，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：官方一次性说明 Le Chat 在研究、语音、推理、项目管理和图像编辑上的能力扩展，可用于对比通用 AI 助手的功能演进。
Mistral AI精选AI 评分8282 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。
推荐理由：官方同时给出 24B 与 3B 两种规格、Apache 2.0 许可和 API 定价，便于比较开源部署与托管调用的取舍。