跳到正文
11月20日周五
11月19日周四
  1. The Decoder81

    微软 AI 在 Ignite 发布七款自研 MAI 模型,以更低成本替代外部 AI 模型

    微软 AI 在 Ignite 大会一次性发布七款自研 MAI 模型,覆盖代码、安全、图像、语音和路由,主打性价比,对标合作伙伴 OpenAI 的产品线。MAI Code 2 在四项基准上达到 GPT-6.1 Sol 约 98% 的表现、成本为其 40%;MAI Cyber 2 Flash 在 CyberGym-E2E 上得分超过 GPT-6 Astra,每任务成本不到其 2%。

    推荐理由:原文逐项列出七款 MAI 模型与 OpenAI 对应模型的基准得分和价格对比,读者可据此评估自建与外部调用的成本取舍。

11月18日周三
  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。

11月13日周五
  1. IT之家68

    腾讯混元发布实时语音模型 Hy Realtime,支持唱歌与工具调用,已在元宝语音通话等上线

    腾讯混元发布实时语音模型 Hy Realtime,新增 Agentic 工具调用与唱歌能力,已在元宝语音通话、腾讯客服等产品上线,近期将上线腾讯云并提供 API 服务。该模型可结合上下文还原口齿含糊、话说半截等不完整输入的意图,并能按歌手、专辑、曲风、语种、年份与热度组合点歌演唱。官方表示下一步将重点提升双工交互、长期个性化记忆与前后台 Agent 交互能力。

11月12日周四
11月11日周三
  1. IT之家63

    DeepL 发布语音 AI 翻译模型 Aure,实时复现说话者语气与情绪

    DeepL 发布语音 AI 翻译模型 Aure,官方称其为迄今最具动态感、最逼真的语音 AI 模型,可在实时翻译中复现说话者的语气起伏、情绪流转、重音强调及语速快慢。Aure 是 DeepL Voice 的底层驱动核心,已支持 DeepL Voice 网页会议版、面对面交谈版和语音 API,首发支持英语、德语、西班牙语、法语、意大利语、日语、葡萄牙语及韩语,尚未支持的语言会自动使用之前的语音模型。

11月10日周二
  1. IT之家60

    智元发布 WITA-Omni 全模态交互大模型,号称行业首个具身全模态端到端交互大模型

    智元发布 WITA-Omni(硅光动语全模态大模型),官方称其为行业首个具身全模态端到端交互大模型。模型基于机器人本体感知数据训练,除音视频外新增触觉、本体状态等输入,以及机器人动作、表情等输出;采用流式全双工架构,可边听边想边应边动,交互响应最快约 400 毫秒、平均约 600 毫秒,较业内平均水平快近 3 倍。

11月9日周一
11月6日周五
  1. TechCrunch · AI51

    Underdog 在新演示中展示 32MB 语音模型 Woof

    Underdog 发布仅 32MB 的语音生成模型 Woof,并通过一款浏览器游戏演示其在无网络环境下的语音交互能力。该模型有 31M 参数并开放下载,此前公司还推出了 167MB 的端侧语音转文字模型 Bark。创始人 Sigil Wen 表示希望让模型在用户设备上本地运行,使用户拥有自己的数据。

10月29日周四
  1. IT之家78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言、最多 8 名说话人

    英伟达 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe,并公开训练数据管线 Granary v2。模型采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿,可处理最长 1 小时录音,支持 40 种语言转录,最多区分 8 名说话人,整合转录、说话人归属、翻译和音频问答。

    推荐理由:原文给出公开评测词错误率与说话人分离基准成绩,读者可据此比较它与同类开源转录模型的能力边界。

  2. The Decoder75

    Nvidia 开源 Nemotron 3.5 Transcribe,集成转写、翻译与说话人识别

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,可在单模型内完成转写、翻译、说话人识别和录音问答。模型总参数 300 亿、每步激活约 40 亿,可在单张 Nvidia GPU 上运行,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,最长处理 1 小时、最多 8 人的录音。

10月28日周三
  1. TechCrunch · AI66

    Nvidia 发布开源转录模型 Nemotron 3.5 Transcribe

    Nvidia 发布免费开源权重转录模型 Nemotron 3.5 Transcribe,可转录约 40 种语言的音频,并同步推出开源语音数据集 Granary v2。官方称该模型支持 31 种语言与英语互译、处理最长一小时录音、区分最多 8 个说话人,30B 参数可运行在 Jetson AGX Thor 到 Blackwell 的单芯片上,但仅适用于录音而非实时流。

10月26日周一
  1. IT之家74

    腾讯混元同声传译大模型 Hy-SimulMT 开源,响应约 3 秒并称超人类译员

    腾讯混元发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译,边听边译并支持实时音色克隆,实测响应时间约 3 秒,低于人类专业译员 4-5 秒的平均水平。该模型在腾讯 Hy 翻译 App 首发并免费开放体验;官方测评称其翻译效果超过主流开源同传模型和多数商用同传 API,在自建多领域测评中质量达到人类同传专家水平且时延更低。

10月25日周日
  1. IT之家60

    Block 推出全双工 AI 语音模型 Dessa:可模拟笑声停顿哽咽,支持 MacBook 本地运行

    Block 发布全双工 AI 语音模型 Dessa,能模拟笑声、停顿、哽咽等情绪表达,可在 M4 Max 及更高配置的 MacBook 上本地运行。Dessa 完全基于人类语音数据训练,知识来源于训练所用的对话数据,无需搭配大语言模型;Block 称情绪表达为模型原生内置,但底层是否依靠标签调控尚不清楚。

  2. TechCrunch · AI61

    Block 发布语音模型 Dessa,情绪表达接近真人

    Block 发布语音模型 Dessa,可在单张 NVIDIA GPU 上本地运行,支持全双工同时说与听。该模型完全基于人类语音训练,Block 称其情绪表达内置在模型中,而非像 ElevenLabs v4 或 Fish Audio Drama 3 那样由文本或语音标签驱动。目前 Dessa 尚未公开开放,Block 正邀请安全研究员对其进行测试。

10月24日周六
  1. The Decoder56

    Block 发布完全由人类语音训练的 AI 模型 Dessa

    Block 发布语音模型 Dessa,完全基于人类语音从零训练、不使用任何文本数据,直接处理音频以实时感知情绪、讽刺、笑声与停顿。模型支持全双工通信,可边听边说,并在 MacBook Pro M4 Max 上本地运行,使用单台 NVIDIA GB200 NVL72 训练。Dessa 尚未公开,团队先邀请 AI 安全研究人员测试潜在风险。

  2. The Verge · AI52

    Block 发布 AI 模型 Dessa,像局促的新朋友一样和你对话

    Block 发布名为 Dessa 的 AI 模型,它完全只用人类对话从零训练,是真正的 speech-to-speech 模型,一切知识都来自人类语音。团队展示了多段偶尔略显尴尬的对话示例,包括与 OpenAI 的 GPT-Live-1 语音模型的对比。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行,团队将向一小群 AI 安全研究人员提供早期访问。

  3. 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。

10月22日周四
  1. IT之家59

    科大讯飞首发星火语音基座大模型 SparkAudio 1.0,已上线讯飞输入法 16.0 等产品

    科大讯飞在全球 1024 开发者节发布星火语音基座大模型 SparkAudio 1.0,集成机器翻译、语音识别、语义理解等能力。模型宣称在实时说话人分离、环境理解、音频理解、情绪识别等方面表现卓越,支持中英文任意切换、说话人实时识别,已在讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机全面上线。

10月21日周三
  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。

10月20日周二
  1. The Decoder69

    可灵 AI 发布 Kling 4.0:立体声音频、多语言口型同步及轻量 Flash 版本

    可灵 AI 发布 Kling 4.0 视频生成模型,单次可生成最长 30 秒视频,支持最多 10 张关键帧输入,提示词理解扩展至 8,000 tokens。升级后的 Omni Reference 可在单次生成中接受最多 15 个参考素材,新增双声道立体声音效与覆盖十多种语言的口型同步,轻量 Flash 版本上限为 720p 和 20 秒。

10月16日周五
  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。

10月15日周四
10月8日周四
9月23日周三
  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。

9月16日周三
  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。