The DecoderAI 评分6262

Tavus 发布 Griffin 人机交互模型，48% 测试者一分钟通话后误认为真人

Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿。

微软 MAI-Voice-2.1-Flash 上线 OpenRouter，150ms 生成 45 秒音频

微软 AI 的 MAI-Voice-2.1-Flash 已在 OpenRouter 上线，这是一款面向实时响应的低延迟文本转语音模型。官方称其可在 150ms 内生成 45 秒音频，同一音色可用 23 种语言说话并保持母语口音，定价为每 100 万字符 15 美元，面向语音智能体、助手和呼叫中心等实时场景。

Tavus 预览 Human Interaction Model Griffin：能看、能听、能发声、能像人一样呈现

Tavus 预览了其最新模型 Griffin，一款能看、能听、能发声并像人一样呈现的 Human Interaction Model，目前尚未公开可用，此次仅为有限的研究预览。

The DecoderAI 评分6262

微软 AI 发布面向语音智能体的转录与语音合成模型

微软 AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。

Audio8 ASR Infinite 流式语音识别模型 原生流式架构每秒解码 12.5 次 滚动 KV Cache 使内存和延迟保持恒定，即使 24/7 运行 每个时钟步输出一个文本 token（12.5 / 8.3 / 6.25 次决策/秒），平衡感知粒度与资源成本 huggingchat 的 ML 实习生搭建了 Gradio 工作流供试用：huggingface.co/spaces/akhali… huggingchat: huggingface.co/chat/ 模型：huggingface.co/Edge0/Audio8-…

Fermion AI 发布 Phonon-2 语音识别模型，164MB 体积称平均准确率超过 Whisper large

Fermion AI 发布语音识别模型 Phonon-2，下载体积仅 164MB，官方称其平均准确率超过体积约为其 10 倍的 OpenAI Whisper large。该模型可在 MacBook Air 上 20 秒转写 1 小时音频，权重以 CC-BY-4.0 协议开放。

Eleven v4 是我们最具情感表现力的模型。 我们做了一个 demo 来展示它的情感范围，其中 [audio tags] 塑造每个提示词的情感。

Google AI 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音模型，支持 100+ 语言自定义声音或选用 2,000+ 现成声音，可指导多轮对话、逐行控制表达并加入 <laughs>、|mhm| 等自然提示，生成数小时一致无故障的音频。

Google DeepMind精选AI 评分6969

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 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，前者面向角色语音设计与逐行表演导演，后者面向高并发、低成本的配音与语音智能体场景。

Google 发布 Gemini 3.8 Live 语音到语音模型，Extended Thinking (High) 变体在 Artificial Analysis Speech to Speech Index 以 82.6 登顶，在 Tau Voice 基准以 68.6% 排名第一。

Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款新的 SOTA 实时音频模型，主打前沿的价格与性能。Gemini 3.8 Live 支持 97 种语言并可无缝切换，还支持异步工具调用等功能。

Google 发布迄今最先进的 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。

Google DeepMind精选AI 评分8383

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。

Google DeepMind精选AI 评分7171

Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe

Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 使用，分为实时流式 gemini-3.5-transcribe-live 和预录音频 gemini-3.5-transcribe 两个接口。

Grok Voice Think Fast 2.0 在 Artificial Analysis Speech-to-Speech Index 上升至第一。该榜单衡量语音智能体能否对听到的语音进行推理、解决真实客户问题，并借助智能体工具正确完成任务。

OpenAI 发布新一代语音模型 GPT-Live，已接入 ChatGPT Voice

OpenAI 发布新一代语音模型 GPT-Live，面向更自然的人机交互，目前已用于驱动 ChatGPT Voice。

Google DeepMind精选AI 评分8080

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，这是一款音频模型，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音到语音翻译，且持续输出而非等说话人说完再翻译，全程仅落后几秒。

Hugging Face Blog精选AI 评分7171

NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型

NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等基准上取得领先成绩。

Google DeepMind精选AI 评分6666

Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，即日起在 Gemini API 和 Google AI Studio 面向开发者预览，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。

Google DeepMind精选AI 评分7474

Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型

Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上得分 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分 36.1%。

Mistral AI精选AI 评分6666

Mistral AI 发布 4B 参数语音模型 Voxtral TTS

Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，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，可做情感表达与零样本跨语言音色适配。

Mistral AI精选AI 评分7272

Mistral 发布 Voxtral Transcribe 2 语音转写模型家族

Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。

Google Research精选AI 评分6666

Google 发布 MedGemma 1.5 4B 与医疗语音识别模型 MedASR

Google 发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并同步推出医疗听写语音识别模型 MedASR。

Google DeepMind精选AI 评分7171

Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio，并推出实时语音翻译

Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio，面向实时语音智能体，在函数调用、指令遵循和多轮对话三方面做了改进。

OpenAI 发布 gpt-realtime 并更新 Realtime API

OpenAI 发布更先进的语音到语音模型 gpt-realtime，并更新 Realtime API。新 API 能力包括 MCP server 支持、图像输入和 SIP 电话呼叫支持。

Mistral AI精选AI 评分7474

Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本 Apache 2.0 开源

Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 协议开源并上线自家 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音触发函数调用能力，并保留 Mistral Small 3.1 的文本能力。

OpenAI 发布新旗舰模型 GPT-4o

OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可在音频、视觉和文本之间实时推理。

OpenAI 开源语音识别模型 Whisper

OpenAI 训练并开源了神经网络 Whisper，其在英语语音识别上接近人类水平的鲁棒性和准确度。