Microsoft AI 发布 MAI-Transcribe-2-Streaming 与 MAI-Voice-2.1 语音模型
Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming 和两款文本转语音模型，分别覆盖 60 种语言与 23 种语言。
#语音
#语音
今日 0 条The DecoderAI 评分6969 The Decoder精选AI 评分7676 Tavus推出 Griffin 人类交互模型，48%受试者将其误认真人
Tavus推出 Griffin，这是一种面向实时面对面交流的 Human Interaction Model；Tavus称其研究中有48%的参与者在一分钟视频通话后相信 Griffin 是真人。
推荐理由：材料提供了 Griffin 与真人及上一代 AI 的对照数据，并交代了研究预览的开放范围和安全前提，便于判断其当前成熟度。
arXiv · 多模态、视频与世界模型AI 评分5959 Beyond Text：基于 LLM 的多模态对话维度情绪评估
该研究提出基于 LLM 的多模态对话情绪评估框架，在 IEMOCAP 上同时进行离散情绪识别和 Valence-Arousal-Dominance（VAD）维度评估，并比较 LLaMA、GPT 和 Qwen 系列的零样本、少样本提示与 LoRA 微调。
Hugging Face Blog精选AI 评分7777 Hugging Face 发布 Open TTS Leaderboard，支持多语言与语音克隆评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评估开放源码 TTS 模型的可懂度、速度和说话人相似度，并覆盖多语言与语音克隆场景。排行榜使用 WER/CER、RTFx、TTFA 和 SIM，支持在 H200 GPU 与 CPU 上比较流式性能，并提供 Listen 标签页供用户试听和投票。
推荐理由：该排行榜把 WER/CER、推理速度和说话人相似度纳入统一评测，并保留试听投票，便于比较开放源码 TTS 在多语言和流式场景中的取舍。
ElevenLabs · 音频创作精选AI 评分7575 ElevenLabs 发布 Eleven v4 与 Eleven v4 Turbo 语音模型
ElevenLabs 发布情感表现更强的文本转语音模型 Eleven v4 及低延迟版本 Eleven v4 Turbo，两者支持 90 多种语言，已在 ElevenAgents、ElevenCreative 和 ElevenAPI 上线。
推荐理由：官方给出 Eleven v4 与 Turbo 的延迟、盲测偏好和音频标签控制细节，可用于语音智能体与配音选型参考。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时对话模型 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：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的选型与成本取舍。
OpenAI News精选AI 评分6262 OpenAI 在 API 中上线 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，并支持自定义音色与电话（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，读者可据此判断语音类应用的接入门槛与能力边界。
Hugging Face Blog精选AI 评分6262 Open ASR Leaderboard 新增首个全球南方语言：印地语与印度英语评测集
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标签页上的首个印度语言。
推荐理由：公开 ASR 榜单首次纳入印地语与印度英语，并公开说话人元数据与格参考，可用于判断语音模型的地域偏差。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转为经过整理和格式化的文本。
推荐理由：语音转写模型选型可参考其流式与非流式 WER 差异、双 API 划分和自定义词表能力。
Hugging Face Blog精选AI 评分8080 Hugging Face 研究测量语音识别中的基准优化
Hugging Face 的最新研究提出三项测试，用于量化语音识别模型针对公开基准进行优化的程度，并评估了 11 个常用开源 ASR 模型。
推荐理由：研究把参考文本错误、静音数字和拼写切换转化为三项可量化测试，为语音模型选型和评测集设计提供了具体方法。
Hugging Face Blog精选AI 评分6565 NVIDIA 发布 Magpie TTS 多语言开源权重模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，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 开源权重模型的多语言覆盖与 TTFA 实测数据，可供语音 Agent 选型时比较自部署延迟与可控性。
ByteDance Seed · 音频与多模态交互精选AI 评分8383 字节 Seed 发布 SeedRealtime 音视频全双工大模型，已在豆包 App 全量上线
字节 Seed 正式推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持在连续多模态流上实时交互。官方称端到端人工评测中，相比级联模型音视频对话节奏问题减少一半，单次对话顺畅完整交流的概率明显提升。该模型已在豆包 App 全量上线，更新后在对话框选择打电话进入视频通话即可体验。
推荐理由：官方披露了统一架构、端到端评测口径与豆包全量上线入口，可据此判断全双工音视频交互的落地形态。
ByteDance Seed · 音频与多模态交互精选AI 评分7777 字节 Seed 发布音频创作模型 Seed Audio 1.0
字节 Seed 发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，端到端生成完整声音场景，并已在火山方舟体验中心上线。模型支持一条 prompt 编排对白、音效与环境声，时间控制精度达 100ms，支持零样本音色生成与参考音频延展，单次可生成约 2 分钟音频并继续延长以保持角色一致性。
推荐理由：官方披露了统一建模多要素音频、100ms 时间控制与 20+ 语种等能力，可据此判断其在配音与多语种内容生产中的可用边界。
Hugging Face Blog精选AI 评分7979 Hugging Face 发布 Real World VoiceEQ 语音 AI 人类质量基准
Real World VoiceEQ 评估语音 AI 的人类交互质量，覆盖 40 多个专有和开源语音模型、15 多个维度及 60 多项指标。该基准基于超过 1 million 个人类评分，涵盖 ASR、TTS、S2S 和语音理解，结果显示不同模型在技术准确性、情绪理解、表达力与鲁棒性之间存在明显专长差异。
推荐理由：该基准将语音模型评测从 WER 和延迟扩展到情绪、身份与背景声等人类感知维度，可帮助定位真实对话中的听辨与回应短板。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 接入实时语音 AI
Hugging Face 与 Cerebras 演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，串联 Nvidia Parakeet 语音识别与阿里 Qwen3TTS 语音合成。
推荐理由：展示了开源级联语音到语音栈的模块化组合方式，可借鉴其用快速推理压低长尾延迟的思路。
Google DeepMind精选AI 评分7676 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，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续语音翻译的延迟取舍与多产品开放节奏，可据此判断实时语音翻译的选型与接入时机。
ByteDance Seed · 音频与多模态交互精选AI 评分7777 字节 Seed 发布全双工语音大模型 Seeduplex，已在豆包 App 全量上线
字节 Seed 正式推出原生全双工语音大模型 Seeduplex，基于边听边说框架，已在豆包 App 全量上线。官方称相比上一代半双工豆包端到端语音模型，其复杂场景误回复率和误打断率减少一半，抢话比例相对下降 40%，判停 MOS 分提高 8%、对话流畅度 MOS 分提升 12%，快问快答场景时延降低约 250ms。
推荐理由：官方给出全双工语音模型的架构思路与多项对比数据，可据此判断实时语音交互的技术路线与落地进度。
ByteDance Seed · 音频与多模态交互精选AI 评分7373 字节 Seed 发布端到端同声传译模型 Seed LiveInterpret 2.0，延迟低至 2-3 秒
字节跳动 Seed 团队发布端到端同声传译模型 Seed LiveInterpret 2.0，支持中英互译，采用全双工语音理解生成框架实现边听边说，翻译延迟低至 2-3 秒，较传统机器同传降低超 60%。
推荐理由：官方给出中英同传的准确率、延迟与声音复刻数据，可据此判断实时语音翻译的可用边界。
ByteDance Seed · 音频与多模态交互精选AI 评分7373 豆包实时语音大模型上线并全量开放，端到端语音对话支持随时打断
豆包实时语音大模型正式推出，并在豆包 APP 全量开放，升级至 7.2.0 版本即可体验。该模型是语音理解与生成一体化的端到端语音系统，相比传统 ASR+LLM+TTS 级联模式，具备低时延、对话中可随时打断、情绪承接和语音指令控制等特性，主要面向中文语境，可进行英语对话但暂不支持多语种。
推荐理由：官方给出端到端语音架构、众测维度与满意度对比，可用于判断实时语音交互的落地程度与能力边界。