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。
语音与音频
全部主题AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
最新精选
第 1–13 条 · 共 13 条Hugging Face Blog精选AI 评分6060
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。
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。
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。
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。
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。