AWS Machine Learning BlogAI 评分用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾服务
AWS 展示了如何用 Amazon Bedrock AgentCore、Amazon Bedrock Knowledge Bases 和 Amazon Nova Sonic 为航司应用构建语音旅行礼宾服务，支持用户通过语音查询行程、改选座位、更新餐食偏好与回答政策问题。
#语音
#语音
- AWS Machine Learning BlogAI 评分
Hugging Face BlogAI 评分
Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话结合，为原生实时对话模型加入动态视觉形象，即日起在 Gemini Enterprise 可用。
推荐理由：官方给出 Live Avatar 的能力边界与开放入口，读者可据此判断实时视频对话在企业场景的可用性。
- Google DeepMind精选AI 评分
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。
推荐理由：官方给出两款 TTS 模型的语音设计、逐行导演能力与基准排名，可据此判断语音生成工作流的变化。
OpenAI NewsAI 评分 Ringg 用 OpenAI 模型让 AI 智能体解决最多 65% 客服来电
Ringg 基于 GPT-5.6 构建的多语言 AI 智能体可解决最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道。相比 GPT-4.1，其成本降低 90%。
- Google DeepMind精选AI 评分
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。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力水位与成本取舍。
OpenAI News精选AI 评分 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话。该模型具备更强的指令遵循能力，支持自定义音色和电话通信（telephony）支持。
推荐理由：OpenAI 在 API 中上线 GPT-Live-1，语音能力从演示走向可调用，开发者可据此评估接入方式。
Hugging Face Open ASR Leaderboard 新增首个全球南方语言：印地语与印度英语评测集 Monsoon
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上首个 Indic 语言。四个公开/私有 split 共覆盖 4,888 名说话人，每人记录 12 项属性，且说话人不重叠；印地语集采用 lattice 标注以容纳多种可接受的拼写变体。
- Google DeepMind精选AI 评分
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。
推荐理由：官方给出流式与非流式两套 API 的 WER 数字和延迟对比，可据此判断语音转写能否接入现有产品。
Hugging Face 研究：语音识别模型存在基准优化问题
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项探针量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型。结果显示，部分高分模型会在音频与参考文本矛盾时复现基准的错误转写，VoxPopuli 分析样本中约 40% 的片段被标记出参考错误，涉及约 3% 的参考词，这类模型复现错误参考的比例为 18–30%。
推荐理由：通过三项探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
NVIDIA 发布 Magpie TTS 多语言语音模型，开放权重支持 12 种语言
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，参数量 364M，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语等 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：NVIDIA 公开 Magpie TTS 多语言模型的权重与延迟数据，读者可据此评估自建语音链路的可行性与成本。
OpenAI NewsAI 评分 OpenAI 如何在六个月内为 GPT-Live 构建实时语音 AI 系统
OpenAI 用六个月为 GPT-Live 搭建了一套实时语音系统，实现与 AI 的连续语音交互。该系统采用无轮次（turnless）语音模型和低延迟架构，让对话更快、更自然。
OpenAI NewsAI 评分 avatarin 如何用 GPT-Realtime 打造 24/7 零售智能体
avatarin 基于 OpenAI 的 GPT-Realtime 为山田电机顾客提供 24/7 多语言支持。上线两周内，该智能体被 30,000 人使用，92% 的问卷反馈为正面评价。
OpenAI NewsAI 评分 OpenAI 推出企业级 AI 智能体平台 OpenAI Presence
OpenAI 发布企业 AI 智能体平台 OpenAI Presence，用于部署可信的语音和聊天智能体，覆盖客户与内部工作流。
OpenAI NewsAI 评分 Cars24 如何用 OpenAI 扩展对话并加速构建
印度二手车平台 Cars24 借助 OpenAI 的语音与聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队，以加快内部构建速度。
Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类质感
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的"人类质感"，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 与语音理解。
OpenAI News精选AI 评分 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。
推荐理由：OpenAI 发布新一代语音模型 GPT-Live，读者可了解它已接入 ChatGPT Voice 这一落地位置。
Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理，以降低语音交互延迟。
推荐理由：原文给出可替换的语音到语音流水线各层组件，读者可据此评估如何搭建低延迟实时语音交互。
Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 基准榜单
Hugging Face 与 Treble Technologies 上线首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设 Lab Measured 与 Lab Simulated 两列做仿真到实测验证。
- Google DeepMind精选AI 评分
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。
推荐理由：Gemini 3.5 Live Translate 支持 70+ 语言连续语音翻译，并同步开放 API 与 Google 产品入口，可据此判断实时翻译的落地方式。
Reachy Mini 实现完全本地运行：Hugging Face 开源语音对话栈
Hugging Face 发布教程，让 Reachy Mini 机器人完全本地运行语音对话，无需云端、API key 或数据外传。
OpenAI NewsAI 评分 Parloa 基于 OpenAI 模型构建语音客服智能体
Parloa 利用 OpenAI 模型打造可扩展的语音驱动 AI 客服智能体，让企业能够设计、模拟并部署可靠的实时交互。
OpenAI NewsAI 评分 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
Hugging Face 为 Open ASR Leaderboard 引入私有数据集以抵御 benchmaxxing
Hugging Face 与 Appen Inc.、DataoceanAI 合作，为 Open ASR Leaderboard 引入覆盖多口音、朗读与对话语音的高质量英文 ASR 私有数据集，以防 benchmaxxing 和测试集污染。
OpenAI NewsAI 评分 Uber 用 OpenAI 驱动 AI 助手与语音功能，帮司机赚得更聪明、乘客下单更快
Uber 正用 OpenAI 驱动 AI 助手与语音功能，帮助司机更聪明地赚钱、乘客更快下单。这些能力运行在 Uber 覆盖全球的实时交易市场上。
OpenAI NewsAI 评分 OpenAI 如何为实时语音 AI 重建 WebRTC 栈
OpenAI 重建了其 WebRTC 技术栈，以支撑实时语音 AI 的低延迟、全球规模与流畅的对话轮次切换。
- Google DeepMind精选AI 评分
Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由：Google DeepMind 公开了 AI co-clinician 的研究设计与评测结果，读者可了解医疗智能体在证据检索和实时多模态问诊上的能力边界。
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。
推荐理由：原文给出架构、训练配方与多模态基准对比，可据此判断开源全模态模型在文档、音视频与GUI任务上的位置。
- Google DeepMind精选AI 评分
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。
推荐理由：官方给出音频标签控制方式与 70+ 语言支持，读者可据此判断语音生成的可控程度与接入渠道。
- Google DeepMind精选AI 评分
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%。
推荐理由：官方给出语音模型的基准分数与多产品开放入口，可据此判断实时语音交互的可用边界。
Mistral AI精选AI 评分
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。
推荐理由：官方给出 4B 参数、9 种语言、70ms 延迟与每千字符 0.016 美元的定价，读者可据此判断语音智能体的成本与选型空间。
Google ResearchAI 评分Google Research 发布 WAXAL：覆盖 27 种非洲语言的大规模开放语音数据集
Google Research 发布 WAXAL，一个覆盖 27 种撒哈拉以南非洲语言、服务超 1 亿使用者的开放语音数据集，采用 CC-BY-4.0 许可。该数据集包含约 1,846 小时 ASR 转写语音和超 565 小时 TTS 高保真录音，由非洲学术与社区机构主导采集，2021 年起历时多年完成。
OpenAI NewsAI 评分 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大规模内容库的自动本地化，且不丢失时间轴与语义。该方案面向多语言视频配音场景，可对大型内容库批量处理。
- Google DeepMind精选AI 评分
Gemini 应用上线 Lyria 3 音乐生成，支持文本和图片生成 30 秒曲目
Google DeepMind 在 Gemini 应用中以 beta 形式上线最新音乐生成模型 Lyria 3，用户用文本或上传图片、视频即可生成带歌词的 30 秒曲目，并配有 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 应用中的生成方式与 SynthID 音频验证能力，可了解音乐生成的产品化路径。
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。
推荐理由：原文给出两款语音转写模型的延迟、价格与开源许可，读者可据此判断实时语音应用的选型空间。
- Google Research精选AI 评分
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。
推荐理由：原文给出 MedGemma 1.5 与 MedASR 的基准提升和开放下载入口，读者可据此判断医疗多模态模型的可用边界。
OpenAI NewsAI 评分 Tolan 如何用 GPT-5.1 打造语音优先 AI
Tolan 基于 GPT-5.1 打造了一款语音优先的 AI 伴侣，结合低延迟响应、实时上下文重建和记忆驱动的人格设定，实现自然对话。
NVIDIA 用 DGX Spark 与 Reachy Mini 搭建桌面智能体教程
NVIDIA 在 CES 2026 发布博客，给出用 DGX Spark 与 Reachy Mini 搭建桌面个人智能体的分步教程，演示代码已开源。
- Google DeepMind精选AI 评分
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。
推荐理由：官方给出 Gemini 2.5 Flash Native Audio 在函数调用、指令遵循和多轮对话上的具体提升数据，可据此判断语音智能体的可用性变化。
- 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。