Google AI 发布周末回顾，推出 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款最新开源对话音频模型。Google Labs 的 Dreambeans（每日个性化故事推荐）和 Workspace 的 Google Pics（图像生成与协作工具）均已 GA，CC 也从个人效率工具扩展为家庭共享智能体。

Transcribe 2.0 现已在 Grok Voice API 上线，批处理价格为 $0.10/hr，流式价格为 $0.20/hr。官方提示可在 x.ai/news/grok-voice-transcr… 阅读博客了解更多。

Atlassian 在 @Loom 中使用了 Transcribe 2.0，发现它在捕捉用户指令方面更准确。用 Loom 口述你的修改需求，然后直接导出到 Cursor 进行编码。

推出 Grok Voice Transcribe 2.0。它是全球最准确的语音转录模型。

Powered by Grok Voice ❤️ x.ai/voice

Grok Bot 宣布语音功能将在未来几天内陆续在桌面端和移动端推出，用户可通过 x.ai/bot 下载 Grok Bot。

Grok Bot 现在可以对话了。

在 fal 中使用 Grok Voice 构建智能、低延迟的智能体，解决真实客户问题。

路途中的 Codex 语音：

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。

@Gemini_Notebook 面向学生的新更新，我最喜欢的两个： 1) 可以用约 100 种语言与你的课堂材料进行实时语音问答 2) 随时随地录制讲座和笔记，音频笔记会自动保存到你选择的笔记本中 作为大学生，你仍然可以在 140+ 个国家/地区免费获得 Google AI Plan，享受更高限额和更多 Google 产品！

如果你对 Gemini Audio 感兴趣，下周来旧金山参加我们首创的 Gemini Audio 体验活动吧，我会到场：rsvp.withgoogle.com/events/g… 了解更多关于我们的新 Live audio 模型：blog.google/innovation-and-a…

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。

昨天的版本音质有问题，紧急修复了一下。

OpenAI 员工 Sherwin Wu 表示，GPT-Live-1 现已进入 API，开发者可以用它构建自己的语音应用，其背后是与新版 ChatGPT 语音相同的双工（duplex）技术。他提到 OpenAI 的一贯做法是让外部开发者用上与自家产品相同的技术。

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。

Sundar Pichai 宣布新的 Gemini 语音能力正在向 Google AI 订阅用户推出，用户可以用对话方式搜索 Gmail 收件箱、在 Keep 中整理想法和任务，以及创建新的 Docs。他特别提到 Docs Live 会非常有帮助，并给出了博客链接供进一步阅读。

Hugging Face BlogAI 评分3636

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。

用这个仓库制作你自己的听写应用！jotapp.ai.studio/ github.com/google-gemini/jot…

Gemini 3.5 Transcribe 发布，官方称其为最精准的语音转文字模型，支持 85+ 种语言，具备智能纠错和自定义词汇功能。作者还用该模型 vibe coded 了一个类似 Wispr Flow 的应用，并附上 demo 和开源代码。

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。

在 LiveKit 中使用 Grok Voice 模型构建实用的语音智能体，全面支持 ZDR。

Grok Voice Think Fast 2.0 已可通过 API 或 Agent Builder 使用，用户可前往 console.x.ai 构建、调优并部署语音 Agent。更多信息见 x.ai/news/grok-voice-think-f…。

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。

在 Starlink，我们每天使用 Grok Voice 处理超过 15,000 个客户支持和销售来电。 Grok 通过语音通话和聊天诊断硬件问题、寄送替换件，每周完成超过 3,000 个订单。

Hugging Face Blog精选AI 评分6262

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%。

Hugging Face Blog精选AI 评分6262

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。

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。

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 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。

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 BlogAI 评分4848

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 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。

Hugging Face Blog精选AI 评分6262

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。

Hugging Face BlogAI 评分3939

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 BlogAI 评分4040

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。

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。