跳到正文
  1. AWS Machine Learning Blog64

    Amazon Polly 推出语音克隆功能:为品牌打造专属声音

    Amazon Polly 语音克隆现已正式可用(gated release),只需几分钟的说话人录音即可生成专属克隆语音,运行在 Amazon Polly 生成式引擎上。

    推荐理由:原文给出从录音、建声到合成的完整接入方式与配额限制,读者可据此评估把定制品牌语音接入现有应用的改造量。

  1. Hugging Face Blog68

    Rumble-2-Flash 开源:支持 40+ 语言的 0.5B 语音识别模型

    Rumble-2-Flash 是 Reson8 发布的 0.5B 参数语音识别模型,支持 40+ 语言并自动检测语种,已以 Apache 2.0 协议开源,原生兼容 🤗 Transformers 与 vLLM。

    推荐理由:原文给出 0.5B 语音模型与 30B 模型的基准对比,以及跨分词器的 on-policy 蒸馏方法,可作为小模型压缩的参考路径。

  2. Google Research76

    Google Duplex 如何演进为在 Gemini 中替你拨打商家电话

    Google Research 本周在 Gemini App 的 Tasks 中上线 Duplex,让智能体替用户拨打商家电话并处理真实世界请求。文章回顾其十年架构演进,从闭域 RNN 模型、LaMDA 混合栈走向完全由 Gemini 统一的对话栈,并说明亚秒级延迟与嘈杂声学环境等实时电话技术难点。

    推荐理由:文章回顾 Duplex 十年架构演进,读者可从中理解实时语音智能体在低延迟与对话节奏上的工程难点。

  1. Hugging Face Blog67

    AnySpeechRecognizer 与 AnyDecisionModel 发布:Apple 平台语音与决策开源 Swift 包

    mattt 在 Hugging Face 博客发布两个开源 Swift 包 AnySpeechRecognizer 与 AnyDecisionModel,均可从 Hugging Face Hub 下载开源模型并在设备本地运行。

    推荐理由:原文把两个 Swift 包的 API 设计、可选模型与基准数据列得较细,读者可据此评估能否在 Apple 端替换现有语音与决策方案。

  1. NVIDIA Blog68

    NVIDIA RTX Spark 笔记本迎来新模型、Agent 工具与游戏更新

    NVIDIA 宣布 RTX Spark 笔记本迎来多项更新,覆盖新模型、Agent 工具与游戏。Nemotron 3.5 Transcribe 是约 4.3B 活跃参数的开放权重语音模型。

    推荐理由:原文把 RTX Spark 的硬件能力落到语音模型、Agent 资源调度和游戏生态三条线上,读者可据此评估端侧 AI 的实际使用场景。

  1. Google Research69

    Google Research 将基础模型推向结核病筛查前线

    Google Research 回顾了其结核病筛查 AI 从论文到临床落地的路径,与 Nexus AI 合作的胸片工具获 CE MDR IIb 认证,在六国约 40 家机构评估超 25,000 张胸片,周转时间从数周缩至 45 秒以内。

    推荐理由:原文梳理了从论文基准到 CE 认证临床工具的落地路径,读者可看到开放模型如何支撑各国本地化医疗部署。

  1. AWS Machine Learning Blog60

    Amazon Polly 生成式引擎重大升级:新增 14 个语音,首次支持印地语和芬兰语

    Amazon Polly 生成式引擎升级,提供更自然、更准确且低延迟的语音输出,新增覆盖 9 个地区的 14 个语音,印地语和芬兰语生成式语音首次正式可用。这是现有生成式语音的原地升级,语音名和 API 调用不变,已有应用无需改代码,价格也保持不变。升级后目录共 57 个生成式语音,覆盖 11 种语言、25 个地区,可用区扩展至 11 个 AWS Region。

    推荐理由:原文给出语音数量、语言覆盖和免改代码的替换式升级方式,读者可据此评估迁移成本与适用场景。

  1. Hugging Face Blog62

    IBM Granite Speech 5.0 发布:三款语音模型覆盖转写、翻译与说话人归因

    IBM Granite 团队发布 Granite Speech 5.0 系列更新:新模型 granite-speech-5.0-2b 与更新版 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus,分别面向高精度多语转写翻译、端侧高速转写和多说话人录音。

    推荐理由:三个模型分别覆盖高精度转写、端侧极速转写和多说话人归因场景,读者可按企业需求直接选型。

  2. Mistral AI79

    Mistral AI 发布 Voxtral 3 语音模型家族与语音智能体 SDK

    Mistral AI 发布 Voxtral 3 语音模型家族与语音智能体 SDK,覆盖语音识别、语音合成与实时对话全链路。

    推荐理由:原文给出各模型定价、基准对比与自部署选项,读者可直接评估其替代现有语音方案的可行性。

  1. Hugging Face Blog62

    Granite Switch 4.1 发布:单一端点支持对话、决策与语音转写

    IBM Granite 团队发布 Granite-Switch-4.1-8B 与 -30B,将通用 Decision aLoRA、安全决策 Guardian aLoRA 和 OpenASR 榜单上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC 组合进一个托管端点。

    推荐理由:原文给出用 aLoRA 复用 KV cache 在单一端点组合多种能力的做法,读者可迁移到低显存多能力部署场景。

  1. Hugging Face Blog66

    Hugging Face 发布 Open TTS Leaderboard,覆盖开源多语言 TTS 与语音克隆评测

    Hugging Face 推出 Open TTS Leaderboard,用客观指标评测开源多语言 TTS 与语音克隆模型。榜单以 Qwen3 ASR 转写计算 WER/CER 衡量可懂度,以 RTFx 和 TTFA 衡量 H200 GPU 上的批量推理与流式延迟,并以 WavLM 嵌入余弦相似度衡量说话人相似度,把单个模型评测从数周缩短到数小时。

    推荐理由:原文对比了人工偏好竞技场与客观指标评测,说明新榜单用 WER、RTFx、TTFA 和说话人相似度补齐开源 TTS 评测的缺口。

  1. Google DeepMind64

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar 实时虚拟形象功能

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,将近实时视频生成与语音结合,为 Gemini 实时对话模型增加能看、能听、能说的动态虚拟形象。该功能今天起在 Gemini Enterprise 可用,支持后台异步工具调用、97 种语言间的无缝语音同步切换,以及基于参考图像定制品牌虚拟形象,所有音视频输出均带 SynthID 水印。

    推荐理由:原文列出了实时视觉形象、后台异步工具调用与 97 种语言同步能力,读者可据此评估企业级虚拟客服的落地方式。

  1. Google DeepMind76

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型,前者面向角色 voice 设计与逐句表演控制,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:两款模型分别面向创意配音与高并发场景,并给出语音复制的同意验证与 SynthID 水印机制,便于评估合规接入。

  1. Google DeepMind83

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型

    Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款近实时语音对话模型,前者主打规模与成本效率,后者面向高复杂度任务的多步推理。

    推荐理由:原文给出两款模型在语音对话质量榜和多项 agent 基准上的具体得分,并说明开发者与企业的分阶段获取入口,可据此评估落地成本。

已经到底了