跳到正文

#语音

今日 1 条
今天11月18日周三
  1. Testing Catalog76

    Microsoft 在 Ignite 2026 发布七个 MAI 模型

    Microsoft 在 Ignite 2026 发布七个新的 MAI 模型,覆盖编码、安全、图像生成、语音、转录和模型路由。Microsoft 称 MAI Code 2 在多项编码基准上达到 GPT-6.1 Sol 98% 的质量、约 40% 的价格,MAI Cyber 2 Flash 提供 100 万 token 上下文窗口。

    推荐理由:MAI 新模型覆盖编码、安全、图像和路由并给出多项价格与基准对照,便于判断企业AI落地的成本取舍。

11月13日周五
  1. IT之家55

    腾讯混元发布实时语音模型 Hy Realtime:能说会唱、还能调用工具,已在元宝语音通话、腾讯客服等上线

    腾讯混元发布实时语音模型 Hy Realtime,具备Agentic工具调用与唱歌能力,已在元宝语音通话和腾讯客服上线。模型在语音理解、指令遵循与情感表达上升级,近期将上线腾讯云提供API服务。官方表示下一步将重点提升双工交互与长期个性化记忆。

11月9日周一
11月6日周五
11月5日周四
  1. Hugging Face Blog62

    Phonon TTS 深度解析:设备端高质量语音模型登顶基准

    Gradium 解析其两周前开放的设备端 TTS 模型 Phonon,给出它在 Hugging Face Open TTS Leaderboard 的评测与离线演示。Phonon 31m 约 65MB 且 Apache 2.0 开源,在德语西班牙语 intelligibility 排名第一,CPU 流式延迟领先。这是 Phonon 首个开源发布,两周下载超 200,000 次。

    推荐理由:文章详细列出 Phonon 在 Hugging Face Open TTS Leaderboard 的多语种 intelligibility 排名与 CPU 流式延迟优势,便于评估小体积语音模型端侧落地可行性。

10月29日周四
10月28日周三
  1. Hugging Face Blog63

    NVIDIA 发布 Nemotron 3.5 Transcribe 多语言语音转写模型与 Granary v2 数据管道

    NVIDIA 发布开放权重多语言语音转写模型 Nemotron 3.5 Transcribe 与 Granary v2 数据管道,支持40种语言转写、31种互译及13种语言说话人归属。

    推荐理由:NVIDIA开放权重多语言转写模型在多个基准领先,其开放的Granary v2数据管道和微调配方便于开发者适配领域词汇。

  2. Google DeepMind71

    Google DeepMind 发布 Genie 4 新一代世界模拟模型

    Google DeepMind 发布 Genie 4 世界模型,可原生生成多模态实时模拟,在物理、人类动作与音频写实度上实现显著提升。该模型借助 Gemini 家族提供推理以维持模拟连贯,目前已向受信测试者开放研究预览,后续将登陆 Google AI Ultra 等平台。

    推荐理由:Genie 4将实时世界模拟的写实度、物理与人类动作连贯性推进到新水平,当前仅以研究预览向受信测试者开放。

10月26日周一
10月25日周日
  1. IT之家56

    Block 推出全双工 AI 语音模型 Dessa:真人感拉满,支持苹果 MacBook 本地运行

    Block 推出全双工 AI 语音模型 Dessa,支持在 M4 Max 及更高配置 MacBook 本地运行并原生模拟情绪表达。该模型可一边说话一边收听用户语音,自身知识来源于训练对话数据,暂不开放试用但邀请安全研究者测试欺骗风险。Block 旗下 Square 已用语音 AI 处理下单业务,自研端侧模型后有望以更低成本落地更多语音产品。

  2. TechCrunch · AI58

    Block新语音模型Dessa声音诡异地拟人

    Block发布新语音模型Dessa,完全基于人类语音训练,可本地全双工运行且情感表达自然。相比依赖文本管线生成语音的模型,Dessa将情感内建其中。目前模型无公开访问,Block征集安全研究员测试,类似OpenAI今年早些时候发布的GPT-Live全双工模型。

10月24日周六
  1. The Decoder42

    Block 发布全语音训练 AI 模型 Dessa

    Block 推出 AI 语音模型 Dessa,该模型完全基于人类语音数据从头训练,不依赖文本数据。Dessa 直接处理音频以实时捕捉情绪、讽刺和停顿,支持全双工通信,并可在 MacBook Pro M4 Max 本地运行。目前该模型尚未公开,团队正招募 AI 安全研究人员测试潜在风险。

10月22日周四
10月21日周三
  1. The Decoder55

    ElevenLabs发布两款用于实时AI对话的语音到语音模型Eleven Realtime v1 Max与v1 Mini

    ElevenLabs于2026年10月20日发布两款语音到语音模型Eleven Realtime v1 Max与v1 Mini,面向实时AI对话。v1 Max在Big Bench Audio基准达到98.8%准确率且响应延迟0.57秒,v1 Mini主打低成本并能识别对话结束信号。两模型均通过ElevenAgents平台与OpenAI兼容Realtime API提供,按分钟加token计费。

  2. Mistral AI65

    Mistral发布Voxtral 3语音模型与智能体SDK

    Mistral发布Voxtral 3语音模型家族与实时语音智能体SDK,支持50+语言转写和35+语言情感语音合成。该SDK基于LiveKit将听、推理、说整合为流式管道,每轮交互耗时低于1秒,支持通过Mistral欧盟API或自部署运行。模型包含Voxtral Small Transcribe 3等,批量转写价格低至$0.0035/min。

    推荐理由:Mistral发布Voxtral 3语音模型家族与实时智能体SDK,给出50+语言转写和私有部署选项,便于企业评估语音工作流改造。

10月20日周二
  1. IT之家59

    蚂蚁百灵开源 Ming-3.0 语音系列模型,覆盖语音合成、音频理解与对话、语音识别

    蚂蚁百灵今日开源 Ming-3.0 语音系列,提供语音合成、音频理解与对话、语音识别三个系列共五款模型。Ming-3.0-tts 支持文字描述目标音色与导演模式控制情绪重读,audio-flash 可直接对长音频转写总结并保留情绪与说话人身份,asr-tiny 结合热词提升真实业务识别效果。相关模型已在阿福 App、医生助手等蚂蚁内部业务落地。

10月16日周五
10月15日周四
10月8日周四
10月3日周六
10月2日周五
  1. MiniMax 动态54

    MiniMax 发布语音大模型 Speech 2.8,支持原生语气词与 10 秒音色克隆

    MiniMax 正式推出语音大模型 MiniMax Speech 2.8,首次实现原生语气词支持,并升级了音色克隆、音质与跨语言合成。仅需 10 秒原声片段即可克隆音色,新模型消除了背景杂音与机械毛刺感,并率先修正中文音色合成日语时的发音偏移。该模型已全面上线 MiniMax 开放平台与 MiniMax Audio,一个音色支持 40+ 种语言。

  2. MiniMax 动态74

    MiniMax 发布全模态生成模型 H3

    MiniMax 正式发布全模态生成模型 H3,支持对文本、图像、视频、声音组成的多模态上下文统一理解,可输出原生双声道音视频,最高支持 15s 2K 分辨率。官方称在 2K 分辨率下每秒价格不到主流模型的 1/3,768P 下约为主流模型 720P 的 1/2。MiniMax 计划在未来几天内在符合相关法律法规的前提下开放模型权重,并称 H3 设计初期已考虑多款现有国产芯片的兼容性。

    推荐理由:官方给出全模态生成的预训练任务划分与三项关键技术取舍,可看清视频模型从专用走向任务统一的路线。

9月29日周二
  1. Testing Catalog64

    ElevenLabs 发布 Eleven v4 和 v4 Turbo 语音模型

    ElevenLabs 发布 Eleven v4 和 Eleven v4 Turbo 语音模型,分别面向高质量音频与实时语音代理。Eleven v4 支持超过90种语言、情绪标签与最长10000字符生成,Turbo 中位推理延迟约100ms、首语音延迟150ms,对比中优于 Cartesia Sonic 3.6 与 OpenAI GPT-4o mini TTS。

9月23日周三
9月19日周六
9月16日周三
9月11日周五
  1. Testing Catalog76

    OpenAI 发布 GPT-Live-1 全双工语音智能体模型

    OpenAI 在 API 中发布 GPT-Live-1 全双工语音模型,可同时听说并处理中断与确认。该模型在 Full Duplex Bench 上比 GPT-Realtime-2.1 高30百分点,API 定价每分钟 $0.05。早期用户包括 Yelp Host、Speak 与 Cognition 的 Devin,适用于电话与客服工作流。

    推荐理由:GPT-Live-1 将 ChatGPT 全双工语音开放至 API,相较级联方案可减少延迟与代码量,便于构建自然语音智能体。

9月9日周三

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有