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。
#语音
#语音
Hugging Face Blog精选AI 评分
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。
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 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。