Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具公司。两年前他参与了对这家图像生成初创公司的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一同公布新方向。
AI 评分58
AI 评分 58 / 100
#语音与视觉
#语音与视觉
今日 0 条TechCrunch · AI
Hugging Face Blog 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。
AI 评分38
AI 评分 38 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，让模型能边听边看边说，并具备精准唇形同步、自然表情和流畅的轮流对话。
AI 评分71
AI 评分 71 / 100
Latent Space精选 Meta Connect 2026：Muse 智能体、眼镜硬件与 Charm 设备
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心，发布智能体功能与新眼镜，但只预告未发布新的前沿模型。Muse 新增语音与实时视频能力，可后台执行任务，并接入全部 Meta 眼镜、拥有独立邮箱地址，Mac 版支持 computer use，连接器平台覆盖 1500+ 应用。
AI 评分78
AI 评分 78 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐句表演指导，后者面向高并发配音与语音智能体。
AI 评分72
AI 评分 72 / 100
Qwen Blog精选 Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，字均延迟降至 2.3 秒
Qwen 团队发布 Qwen3.8-LiveTranslate 实时同传模型，用 Interleave 架构把同传重构为音频-文本交织的单流形式，字均延迟（LAAL）从上一代 2.8 秒降至 2.3 秒。
AI 评分78
AI 评分 78 / 100
Google DeepMind精选推荐 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。
AI 评分80
AI 评分 80 / 100
OpenAI News精选 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。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支持。
AI 评分65
AI 评分 65 / 100
Hugging Face Blog 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，印地语由此成为该多语言榜单上的首个印度语言。
AI 评分48
AI 评分 48 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化后的文本。据 Artificial Analysis 测量，流式场景平均词错误率为 4.0%，非流式为 2.6%，最终转写时间较前代 Chirp 3 改善 70%。
AI 评分71
AI 评分 71 / 100
Mistral AI Mistral 与 HUMAIN 达成战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型。合作规模达数亿欧元，Mistral 将探索使用 HUMAIN 数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。
AI 评分34
AI 评分 34 / 100
Hugging Face Blog精选 Hugging Face 研究量化语音识别中的基准优化现象
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。结果显示部分 WER 最低的模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，包括音频中被静音的数字，在 VoxPopuli 上复现错误参考的比例为 18–30%。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 NVIDIA 发布 Magpie TTS 多语言语音模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据改善了多种既有语言的质量。
AI 评分60
AI 评分 60 / 100
Google DeepMind精选 Google DeepMind 在 Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循度、结构感知更好，人声更具表现力和情感且发音改进，同时可更便捷地控制输出节奏与时长。
AI 评分62
AI 评分 62 / 100
OpenAI News OpenAI 推出企业级 AI 智能体平台 OpenAI Presence
OpenAI 推出企业级 AI 智能体平台 OpenAI Presence，可部署可信的语音与聊天智能体，用于客户及内部工作流。该平台定位为经过验证的企业 AI 智能体平台，帮助组织落地相关智能体应用。
AI 评分42
AI 评分 42 / 100
Hugging Face Blog Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类质量基准
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音 AI 的人类交互质量，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。
AI 评分50
AI 评分 50 / 100
OpenAI News精选 OpenAI 发布新一代语音模型 GPT-Live
OpenAI 发布新一代语音模型 GPT-Live，用于实现更自然的人机交互，目前已为 ChatGPT Voice 提供支持。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 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管线，将 Gemma 4 接入语音对话流程。该管线采用模块化开源架构：Nvidia Parakeet 做语音识别，Gemma 4 31B 在 Cerebras 上推理，阿里 Qwen3TTS 负责文本转语音，各层均可替换。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 基准榜单
Hugging Face 与 Treble Technologies 联合发布首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 两条 sim-to-real 验证赛道。
AI 评分47
AI 评分 47 / 100
Google DeepMind精选 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，一款支持 70+ 语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
AI 评分76
AI 评分 76 / 100
Qwen Blog精选 Qwen 发布同声传译模型 Qwen3.5-LiveTranslate-Flash，支持 60 种语言、端到端字均延迟 2.8 秒
Qwen 团队发布基于 Qwen3.5-Omni 构建的同声传译模型 Qwen3.5-LiveTranslate-Flash，输入音频与输出文本语种从前代 18 种扩至 60 种，输出音频语向从 10 种增至 29 种。
AI 评分78
AI 评分 78 / 100
Hugging Face Blog Hugging Face 为 Open ASR Leaderboard 引入私有数据集防刷榜
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，以防刷榜和测试集污染。榜单默认平均 WER 仍只基于公开数据集计算，用户可通过开关选择是否纳入私有数据集。该榜单自 2023 年 9 月上线以来访问量已超 710K 次。
AI 评分36
AI 评分 36 / 100
Google DeepMind精选 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。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非主流证据合成工具；在 140 项问诊技能评估中，AI 在 68 项上与初级保健医生相当或更优，但专家医生在识别危险信号和指导关键体格检查上整体表现更好。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解和智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等榜单上取得领先成绩。
AI 评分71
AI 评分 71 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表达力和语音质量上均有提升，在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数。
AI 评分71
AI 评分 71 / 100
Qwen Blog精选推荐 Qwen 发布 Qwen3.5-Omni 原生全模态大模型，含 Plus/Flash/Light 三尺寸
Qwen 团队发布新一代原生全模态大模型 Qwen3.5-Omni，支持文本、图片、音频、音视频理解，含 Plus、Flash、Light 三种尺寸的 Instruct 版本。
AI 评分82
AI 评分 82 / 100
Google DeepMind精选 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，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上以 90.8% 领先上一代，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分为 36.1%。
AI 评分74
AI 评分 74 / 100
Qwen Blog精选 Qwen3-TTS 全家桶开源：语音设计、克隆与生成，含 1.7B 和 0.6B 两个尺寸
Qwen 开源 Qwen3-TTS 语音生成模型系列，覆盖语音设计、音色克隆、指令化风格控制与多语言合成，提供 1.7B 和 0.6B 两个尺寸。
AI 评分78
AI 评分 78 / 100
Qwen Blog精选 Qwen3-TTS 升级：发布音色设计模型 VD-Flash 与 3 秒音色克隆模型 VC-Flash
Qwen3-TTS 家族新增两个可通过 Qwen API 调用的模型：音色设计模型 Qwen3-TTS-VD-Flash 和音色克隆模型 Qwen3-TTS-VC-Flash。
AI 评分62
AI 评分 62 / 100
Google DeepMind精选 Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio
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。
AI 评分74
AI 评分 74 / 100