Google ResearchAI 评分Google 发布 MSEB：面向听觉智能的大规模声音嵌入基准
Google Research 在 NeurIPS 2025 发布 Massive Sound Embedding Benchmark（MSEB），用统一框架评估声音嵌入在检索、推理、分类、转录、分割、聚类、重排、重建八项任务上的表现。
#语音
#语音
- Google ResearchAI 评分
Hugging Face BlogAI 评分
Hugging Face Open ASR Leaderboard 新增多语言与长音频赛道，并发布 ASR 趋势预印本
Hugging Face 的 Open ASR Leaderboard 新增多语言与长音频转录赛道，并发布基于 60+ 模型的 ASR 趋势预印本。
- Google Research精选AI 评分
Google 发布端到端实时语音到语音翻译模型，延迟降至 2 秒
Google Research 发布端到端语音到语音翻译（S2ST）模型，直接在原说话人音色下生成翻译音频，延迟仅 2 秒，而此前的级联方案延迟为 4–5 秒且会累积误差。
推荐理由：Google 端到端语音翻译把延迟从 4–5 秒压到 2 秒，并已落地 Meet 与 Pixel 10，可据此了解实时同传的技术取舍。
Hugging Face 提出“语音同意门”：让语音克隆必须先获得本人明确同意
Hugging Face 提出“语音同意门”机制，让语音克隆模型只有在说话人明确说出同意语句后才会启动。该方案由语言模型生成约 20 词的同意句与中性语音多样性句，经 ASR 识别同意内容后，再由 TTS 完成克隆，并建议同意音频直接来自麦克风而非上传文件。团队已提供示例 Space 和配套代码。
OpenAI NewsAI 评分 SchoolAI 用 GPT-4.1 打造赋能教师的 AI 平台
SchoolAI 基于 GPT-4.1、图像生成和 TTS 构建安全、教师引导的 AI 工具，已服务超过 100 万间教室。该平台提升了课堂参与度、教师监督能力和个性化学习体验。
OpenAI News精选AI 评分 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。
推荐理由：OpenAI 发布语音到语音新模型并扩展 Realtime API，读者可了解语音交互能力与接口支持的变化。
Mistral AI精选AI 评分
Mistral 为 Le Chat 推出 Deep Research、语音模式与 Projects 等新功能
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言思考模式、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：官方一次性放出 Deep Research、语音、Projects 等多项功能，读者可据此判断 Le Chat 的定位变化。
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。
推荐理由：官方给出两款语音理解模型的尺寸、开源协议与 API 定价，可对照 Whisper、GPT-4o mini 等基准判断其成本位置。
OpenAI NewsAI 评分 Genspark 用 GPT-4.1 和 Realtime API 打造无代码个人智能体
Genspark 借助 GPT-4.1 和 OpenAI Realtime API 构建无代码个人智能体，45 天内做到 3600 万美元 ARR。该产品无需编写代码即可创建智能体，并接入 Realtime API 实现实时交互。
OpenAI NewsAI 评分 基于 GPT-4o 的可定制无代码语音智能体自动化
Retell AI 推出由 GPT-4o 和 GPT-4.1 驱动的无代码语音自动化平台，企业可借此部署自然、实时的语音智能体，无需脚本或等待即可自动处理客户对话。该平台旨在降低通话成本并提升 CSAT。
OpenAI NewsAI 评分 Speak 如何用 AI 实现语言学习个性化
Speak CEO 兼联合创始人 Connor Zwick 在对话中介绍了公司如何用 AI 实现语言学习个性化。Speak 是一款 AI 语言学习产品，本次内容以访谈形式呈现其个性化学习思路。
OpenAI News精选AI 评分 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如“像一位有同理心的客服人员那样说话”，为语音智能体带来新的定制能力。
推荐理由：OpenAI 在 API 中上线新一代音频模型，开发者可首次用自然语言指令控制语音表达方式。
OpenAI News精选AI 评分 OpenAI 推出 Realtime API，支持语音到语音交互
OpenAI 发布 Realtime API，开发者可将其接入应用，构建快速的语音到语音体验。
推荐理由：OpenAI 开放 Realtime API，开发者可据此判断语音到语音交互的接入方式与适用场景。
OpenAI NewsAI 评分 OpenAI 详解 Voice Engine 工作原理与安全研究
OpenAI 详解其文本转语音模型 Voice Engine 的技术原理及配套安全研究。
OpenAI NewsAI 评分 ChatGPT 的声音是如何选出的
OpenAI 与业内顶尖选角及导演专业人士合作，从 400 多份投稿中筛选，最终为 ChatGPT 选定 5 种声音。
OpenAI News精选AI 评分 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。
推荐理由：OpenAI 公布新旗舰模型 GPT-4o，可在音频、视觉与文本间实时推理，读者可据此了解其多模态能力定位。
Hugging Face Inference Endpoints 如何用自定义 handler 实现 Whisper ASR + 说话人分离 + 推测解码
Hugging Face Inference Endpoints 通过自定义 inference handler，把 Whisper ASR、Pyannote 说话人分离和推测解码组合在单个 API 端点中。
OpenAI NewsAI 评分 OpenAI 分享 Voice Engine 自定义语音模型小规模预览的经验
OpenAI 分享了自定义语音生成模型 Voice Engine 小规模预览的经验教训。该模型可根据声音样本创建定制语音，OpenAI 目前仅以较小规模进行测试。
Hugging Face 推出 TTS Arena：文本转语音模型众包评测排行榜
Hugging Face 发布 TTS Arena，借鉴 LMSys 的 Chatbot Arena，让用户输入文本、对比两个 TTS 模型的合成语音并投票选出更自然的一方。首批上线模型包括 ElevenLabs、MetaVoice、OpenVoice、Pheme、WhisperSpeech 和 XTTS，投票结果将汇总到采用类 Elo 算法排名的公开排行榜。
OpenAI News精选AI 评分 ChatGPT 新增看、听、说能力
OpenAI 宣布 ChatGPT 现在可以看、听和说。
OpenAI News精选AI 评分 OpenAI 推出 ChatGPT iOS 应用
OpenAI 推出 ChatGPT iOS 应用，可同步对话记录、支持语音输入，并带来最新的模型改进。应用将 ChatGPT 的对话与模型能力带到移动端。
推荐理由：OpenAI 官方公布 ChatGPT iOS 应用的核心能力，读者可据此了解移动端对话同步与语音输入的入口变化。
用 🤗 Transformers 微调 Whisper 实现多语言 ASR
Hugging Face 发布教程，讲解如何用 🤗 Transformers 对 Whisper 进行微调，以适配任意多语言 ASR 数据集。Whisper 由 OpenAI 于 2022 年 9 月发布，基于 68 万小时标注音频预训练，覆盖 96 种以上语言，并提供 tiny 到 large-v3 共 11 个 checkpoint。
OpenAI News精选AI 评分 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。
推荐理由：OpenAI 开源语音识别模型 Whisper，读者可了解其在英语识别上的鲁棒性与准确度定位。
如何在 🤗 Transformers 中用 Wav2Vec2 对超大文件做自动语音识别
Hugging Face 博客介绍了利用 Wav2Vec2 的 CTC 架构特性，通过带 stride 的重叠分块推理，让 ASR 在任意长音频上也能保持高质量识别。只需在 pipeline 中设置 chunk_length_s 和 stride_length_s，即可避免直接处理长文件时的显存溢出，该技巧同样适用于 LM 增强的 Wav2Vec2 模型，并可用于实时推理。
在 🤗 Transformers 中用 n-gram 提升 Wav2Vec2 语音识别效果
🤗 Transformers 现已集成 Kensho Technologies 的 pyctcdecode 库，可将 n-gram 语言模型与微调后的 Wav2Vec2 检查点结合用于音频解码。