IBM Granite Switch 4.1 发布：单一端点集成对话、决策与语音
IBM 发布 Granite Switch 4.1 系列 8B 与 30B 模型，将通用决策 aLoRA、安全 Guardian aLoRA 与 OpenASR 榜首的 Granite-Speech-5.0-Turbo-CTC 整合到同一端点，三项能力共享基模型 KV cache，显存占用与基模型相当。
#语音
#语音
今日 0 条Hugging Face BlogAI 评分5151
Hugging Face BlogAI 评分5555 TII 发布 1.6B 参数 Falcon-ASR 语音识别模型，聚焦阿联酋方言
TII 发布 1.6B 参数的 Falcon-ASR 语音识别模型，面向阿拉伯语并重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上，其平均 WER 为 20.92%，较所用榜单快照中的最佳已发布结果 23.17% 低 2.25 个百分点；内部阿联酋评测的 WER 和 CER 分别为 22.73% 和 10.19%。
AWS Machine Learning BlogAI 评分4646 使用 Amazon Bedrock AgentCore、知识库与 Nova Sonic 构建航空语音助手
Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases 可组合构建航空语音助手，支持行程查询、座位变更、政策问答与人工转接。系统通过 AgentCore Gateway 以 MCP 协议对接后端 API，配套 AWS CDK 脚本与 React 前端。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 Open TTS Leaderboard，面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 上线 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单次评测耗时从收集投票的数周缩短到数小时。
推荐理由：开源 TTS 模型已超 8K，人工投票榜单难以跟上发布节奏，这份榜单用客观指标评估可理解度、速度与音色相似度。
AWS Machine Learning BlogAI 评分4949 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
AWS 的 vLLM-Omni DLC 支持在 SageMaker AI 上部署 Qwen3-TTS，通过一条持久双向连接流式输入文本、边生成边输出语音。该 v1.5 DLC 新增双向流式能力标签与路由中间件，经 v1/audio/speech/stream 路由返回 24 kHz PCM 音频块，示例配 Gradio 应用。Part 2 将把该 DLC 用于图像与视频生成。
AWS Machine Learning BlogAI 评分5252 在 Amazon SageMaker AI 上部署 Qwen3-TTS 语音克隆实时端点
AWS 发布教程，介绍如何通过 Amazon SageMaker JumpStart 将公开的 Qwen3-TTS-12Hz-1.7B-Base 文本转语音模型部署为实时推理端点，并用几秒参考音频与转写文本完成语音克隆。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Gemini 3.8 Live with Live Avatar 已在 Gemini Enterprise 上线，将近实时视频生成与语音对话结合，让企业智能体以带口型同步和自然表达的动态形象进行实时对话。
推荐理由：原文给出 Live Avatar 在多语言同步和后台工具调用上的具体能力，读者可据此判断企业实时客服场景的落地边界。
AWS Machine Learning BlogAI 评分4949 在 SageMaker AI 上使用 WhisperX 实现说话人标注转录
AWS 把 WhisperX 打包成 GPU-ready 的 Deep Learning Container（DLC），可部署到 Amazon SageMaker AI 实时或异步端点，为音频生成逐词时间戳、说话人标签，并输出 json、verbose_json、srt 或 vtt。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，前者面向角色设计与逐行表演指导，后者面向高并发、低成本的配音和语音智能体。
推荐理由：原文给出两款 TTS 的定位差异与基准名次，可据此判断多语言配音与角色音色定制的可用程度。
OpenAI NewsAI 评分2929 Ringg 的 AI 智能体借助 OpenAI 解决最多 65% 的客户来电
Ringg 的 AI 智能体可解决最多 65% 的客户来电。其基于 GPT-5.6，在语音、聊天、WhatsApp 和网页端提供多语言智能体服务，相较 GPT-4.1 成本降低 90%。
Google DeepMind精选AI 评分7373 Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 语音模型
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，分别面向规模与成本效率、以及高复杂度任务。
推荐理由：两款语音模型分别面向规模成本与复杂任务，并给出各自评测数据和开放入口，可供判断语音智能体的选型。
OpenAI News精选AI 评分7171 OpenAI 在 API 中推出 GPT-Live-1，带来更自然的语音对话
OpenAI 在 API 中推出 GPT-Live-1，为 API 带来自然的全双工语音对话能力。该模型增强了指令遵循，并支持自定义音色和电话接入。
推荐理由：OpenAI 官方给出 GPT-Live-1 在 API 中的全双工语音、自定义音色和电话接入能力，可据此判断语音应用的改造方向。
Hugging Face BlogAI 评分5757 Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 加入印度英语与印地语评测集
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN（印度英语）与 Monsoon hi-IN（印地语）评测集，是该榜单首个面向全球南方语言的测试集。
Google DeepMind精选AI 评分6363 Google 发布 Gemini 3.5 Transcribe 语音转文字模型
Google 发布 Gemini 3.5 Transcribe 语音转文字模型，Artificial Analysis 测得流式场景平均 WER 为 4.0%，非流式场景为 2.6%。
推荐理由：相比 Chirp 3，原文给出 WER 与延迟的具体对比，并说明它在 Gemini API 和多款产品中的可用入口。
Hugging Face Blog精选AI 评分6161 NVIDIA Magpie TTS 多语种版发布，主打开源权重与全栈部署控制
NVIDIA 发布开源 364M 参数的 Magpie 多语种 TTS 模型，支持 12 种语言，包括本次新增的现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：对比 B200、H100、A100 上的首音频延迟数据，并介绍 frame stacking 与 local transformer 两项推理优化思路，可用于自有基础设施上的语音智能体部署。
Hugging Face BlogAI 评分5151 Hume 发布 Real World VoiceEQ 语音 AI 评测基准
Hume 在 Hugging Face 发布 Real World VoiceEQ 语音 AI 评测基准，基于超过 100 万条人类评分，覆盖 ASR、TTS、S2S 与语音理解四大类共 15 个评估维度和 60 多项指标，对 40 多款主流专有与开源语音模型进行评测，其中包含 78.5 万条 TTS 评分和 4.8 万条 STS 评分。
Berkeley AI ResearchAI 评分3535 2026 BAIR 毕业生展示：博士研究方向与毕业去向
BAIR 公布 2026 届博士毕业生展示，涵盖机器人、LLM 推理、计算机视觉、生成模型、AI 安全、人机交互以及 AI for science 与医疗等方向。毕业生将赴高校教职、博士后岗位与工业研究实验室，其中 Hanlin Zhu 加入 OpenAI，Josh Kang 加入 Mistral AI。
Hugging Face BlogAI 评分5151 Hugging Face 与 Cerebras 合作将 Gemma 4 31B 接入实时语音 AI 流水线
Hugging Face 与 Cerebras 合作发布实时语音 AI 演示，将 Gemma 4 31B 与 Parakeet、Qwen3TTS 串联为模块化的语音到语音流水线。架构为 ASR → 语言模型 → TTS 完全开源级联，由 Cerebras 提供 Gemma 4 31B 推理以降低延迟并改善 P95 稳定性；同一流水线已驱动超 9000 台 Reachy Mini 机器人。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70 多种语言，近乎实时地生成保留说话者语调、节奏和音高的语音到语音翻译。
推荐理由：Google Meet 的语音翻译语言从 5 种扩展到 70 多种，可由此观察实时同传在会议场景的落地进展。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini 3.1 Flash TTS，新增音频标签控制
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 榜单取得 1,211 的 Elo 分数，并新增音频标签，可用自然语言直接控制语速、语气与演绎方式。
推荐理由：官方同时给出音频标签用法与各平台开放入口，读者可据此判断可控语音生成在开发与企业场景的适用性。
Mistral AI精选AI 评分6262 Mistral AI 发布首个文本转语音模型 Voxtral TTS
Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，支持英、法、德、西、荷、葡、意、印地、阿拉伯 9 种语言及多种方言，主打自然情感表达与零样本跨语言音色适配。
推荐理由：官方给出 4B 参数量、9 种语言、$0.016/1k 字符定价与企业级语音流程对接，便于评估其替代现有 TTS 方案的成本和体验。
Mistral AI精选AI 评分6868 Mistral AI 发布 Voxtral Transcribe 2 系列语音转写模型
Mistral AI 发布 Voxtral Transcribe 2 系列语音转写模型，包含面向批量转写的 Voxtral Mini Transcribe V2 与面向实时场景的 Voxtral Realtime。
推荐理由：对比 GPT-4o mini Transcribe、Gemini 2.5 Flash 等主流语音转写 API，给出 FLEURS 词错率和每分钟价格的横向参照。
Mistral AI精选AI 评分6262 Mistral AI 为 Le Chat 推出深度研究、语音模式与 Projects 等多项新功能
Mistral AI 为 Le Chat 推出多项新功能，包括 Deep Research 预览模式、基于 Voxtral 的语音模式、由 Magistral 推理模型驱动的多语言 Think 模式、Projects 文件夹整理，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：Le Chat 一次性发布研究、语音、推理与图像编辑多项能力，读者可据此与同期同类助手的功能覆盖做横向对照。
Mistral AI精选AI 评分7171 Mistral 发布开源语音理解模型 Voxtral，提供 24B 与 3B 双版本
Mistral 发布 Voxtral 语音理解模型，包含 24B 与 3B 两个版本，均以 Apache 2.0 协议开源，可下载或在 API 上调用。
推荐理由：原文在多语种语音基准上将 Voxtral 与 Whisper large-v3、ElevenLabs Scribe 等并列对照，给出开源方案在转写精度上的相对位置。