跳到正文
  1. IT之家76

    火山引擎上线豆包 SeedRealtime 1.0 API,实现全模态实时交互

    火山引擎正式全量上线豆包实时音视频通话模型 SeedRealtime 1.0 API 服务。该模型将声音、画面、时序与表达统一到端到端架构中,替代了传统的 ASR、VLM、TTS 级联系统,降低了交互延迟与信息损耗。

    推荐理由:火山引擎上线豆包 SeedRealtime 1.0 API,该模型将音视频流统一至端到端体系,实现了主动交互与实时判断。

  2. Hacker News AI79

    Higurashi 开源全双工语音基础模型 Haru-4B

    Higurashi 发布并开源全双工语音基础模型 Haru-4B,支持同步听与说,在 MacBook 上端到端延迟约 65 毫秒。模型基于 4000 万小时真实语音预训练,避免使用合成对话,权重与代码分别在 Hugging Face 和 GitHub 开放。

    推荐理由:模型在 Apple Silicon 上实现 65 毫秒端到端延迟,且完全基于真实对话数据训练。

  1. Hugging Face Blog82

    Reson8 开源 Rumble-2-Flash:支持 40+ 语言的 0.5B 语音识别模型

    Reson8 在 Hugging Face 开源 Rumble-2-Flash,这是一个支持 40 多种语言的 0.5B 参数语音识别模型,采用 Apache 2.0 许可。

    推荐理由:0.5B 小参数模型在真实电话场景下可比肩 30B 模型,提供了低成本多语言语音识别的新选择。

  2. IT之家81

    微软发布语音对语音模型 MAI Realtime 1:起价每分钟 0.01 美元,性能超 GPT Realtime 2.1

    微软在 Ignite 2026 大会上发布其首款语音对语音模型 MAI Realtime 1,基础语音使用费为每音频分钟 0.01 美元,涉及推理时按每百万输入 token 1 美元、每百万输出 token 5 美元计费。

    推荐理由:原文给出了MAI Realtime 1 的定价结构、与 GPT Realtime 2.1 的基准对比以及 API 兼容范围,读者可据此判断其实际成本与迁移门槛。

  1. IT之家78

    腾讯混元发布实时语音模型 Hy Realtime:新增唱歌与工具调用,已上线元宝及腾讯客服

    腾讯混元发布全新实时语音模型 Hy Realtime,在语音理解、指令遵循与拟人化表达上升级,并新增 Agentic 工具调用与唱歌能力。该模型支持自然语言点歌与多轮上下文匹配歌曲演唱,已上线元宝语音通话和腾讯客服,近期将上线腾讯云提供 API 服务,当前版本可通过最新版元宝 App 或网页 Demo 体验。

    推荐理由:原文给出了 Hy Realtime 新增唱歌与工具调用的具体能力,并明确其已上线元宝语音通话和腾讯客服,并即将上线腾讯云 API,为读者提供了直接体验与接入入口。

  1. IT之家80

    英伟达发布开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言与 8 人分离

    英伟达发布开放权重语音转录模型 Nemotron 3.5 Transcribe,并同步公开 Granary v2 训练数据管线。模型采用约 340 亿总参数的 MoE 架构,激活参数约 43 亿,支持 40 种语言转录,可处理最长 1 小时录音,最多区分 8 名说话人,并支持说话人归属、翻译和音频问答。

    推荐理由:原文给出了参数量、多语言能力和说话人分离评测数字,读者可据此判断开放权重语音转录模型的落地边界。

  1. 腾讯混元85

    腾讯混元开源 Hy-SimulMT 同声传译大模型

    腾讯混元发布并开源了低时延、高准确率的 Hy-SimulMT 同声传译大模型,支持中英语音实时互译及音色克隆,实测响应时间约 3 秒。在 RealSI 评测集上,该模型在最低延迟情况下实现了最佳翻译效果,超越了主流开源模型和大部分商用 API。

    推荐理由:开源了低时延语音到语音实时翻译模型,实测效果超过主流商用API且达到人类同传专家水平。

  1. 科大讯飞61

    科大讯飞发布端云一体星火X2.6、SparkAudio 1.0及WinWork数字员工平台

    科大讯飞发布端云一体星火X2.6,实现全国产算力下的模型训练与推理,长上下文训练效率提升约4倍,推理效率提升4.5倍。同步发布星火语音基座大模型SparkAudio 1.0,整体效果提升20%,响应时间降低15%。推出讯飞星帆WinWork数字员工平台,支持80余类数字员工上线,Token消耗节约44%。

    推荐理由:发布端云一体模型X2.6及SparkAudio 1.0,通过长程训练与动态并行技术,实现全国产算力下的高效推理与成本优化。

  1. Hugging Face Blog70

    IBM 发布 Granite Speech 5.0 系列模型与更新版本,支持高精度多语言转写、翻译及极速端侧推理

    IBM 发布三款语音模型更新:新模型 granite-speech-5.0-2b 支持多语言高精度 ASR、翻译及 2000 词关键词偏置,英文短文本 WER 为 5.06%。

    推荐理由:IBM 发布并更新了 3 款开源语音模型,分别针对多语言高精转写、端侧极速推理与多说话人归属场景,给出了具体性能指标对比。

  2. 阿里语音AI77

    Qwen-Audio-3.1-Realtime 发布:实现全双工实时语音交互

    Qwen-Audio-3.1-Realtime 发布,实现“边听、边想、边说、边动”的全双工实时语音交互,支持并行工具调用与异步任务执行。在 Audio MultiChallenge 评测中达到 52.21% 通过率,在 Full-Duplex-Bench v1.5 中用户打断响应率 84.5%,表现优于 GPT-Realtime-2。

    推荐理由:原文给出了全双工交互架构和多模态后训练方法,读者可以据此了解实时语音Agent的技术实现路径。

  3. Mistral AI76

    Mistral 发布 Voxtral 3 语音智能体模型与 SDK

    Mistral 发布 Voxtral 3 系列,包含语音转文本、文本转语音模型及基于 LiveKit 的语音智能体 SDK。语音转文本模型 Voxtral Small Transcribe 3 支持 50 多种语言,在 FLEURS 基准测试中表现优于 Whisper 和 Gemini 3.5 Transcribe。

    推荐理由:Mistral 推出 Voxtral 3 语音智能体 SDK 及模型,覆盖 50 多种语言,读者可借此了解其实时流式对话与工具调用的整合方式。

  1. 百灵大模型78

    蚂蚁百灵开源 Ming-3.0 语音系列模型

    蚂蚁百灵开源 Ming-3.0 语音系列模型,涵盖语音合成、音频理解与对话、语音识别三大方向,共包含五款模型。其中 Ming-3.0-tts-0.5B 在 Artificial Analysis 的 Pronunciation Robustness 测试中得分 93.2%,并列全榜单第一。

    推荐理由:蚂蚁百灵开源 Ming-3.0 语音系列,提供语音合成、音频理解与识别能力,并公开了模型下载与 API 入口。

  1. IT之家80

    xAI 发布 Grok Voice 3.0,号称全球最智能的语音转语音模型

    xAI 发布 Grok Voice 3.0,官方称其为全球智能水平最高的语音转语音模型,拥有低于 1 秒的延迟。该模型在 Artificial Analysis 独立测试的语音转语音综合榜单中排名第一,得分 86.9;全双工基准测试得分 97%;在 ServiceNow EVA 基准测试中取得 74% 的最高精度得分。

    推荐理由:该稿件汇总了 Grok Voice 3.0 在第三方基准测试中的排名与延迟优势,为评估语音智能体落地价值提供了量化参照。

  1. Hugging Face Blog68

    TII 发布面向阿拉伯语的 1.6B 参数 Falcon-ASR 语音识别模型

    阿布扎比技术创新研究所(TII)发布 1.6B 参数 Falcon-ASR 语音识别模型,重点针对阿联酋方言,同时支持英语、法语、西班牙语和葡萄牙语。

    推荐理由:阿拉伯语音识别模型取得领先基准成绩,读者可了解其在多方言混合语音与复杂录制条件下的表现细节。

  1. 阿里语音AI80

    Qwen-Audio-3.1-TTS 拿下全球权威语音榜冠军

    9 月 28 日,Qwen-Audio-3.1-TTS 在 Artificial Analysis 的 Controlled Voice Arena 中以 1177 的 Elo 评分位列全球第一。该模型支持多语种及方言合成,强调声音情绪和语速的自然表达。当前 Qwen-Audio 全线语音模型价格下调,最高降幅达 95%,API 服务已上架千问 AI 平台。

    推荐理由:Qwen-Audio-3.1-TTS 登顶权威评测,且全线模型大幅降价,开发者能直接获取低成本的多语种语音 API。

  1. Google DeepMind82

    Google 发布 Gemini 3.8 Flash 与 Flash-Lite TTS 语音生成模型

    Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型,即日起在 Gemini API、Google AI Studio 及多款产品上线。

    推荐理由:Gemini 3.8 Flash TTS 在 Hume AI 基准中拿下第一,结合自然语言声音设计与多语支持,为音频生成提供了可落地的参考维度。

  2. 阿里语音AI87

    千问(Qwen-Audio-3.1)系列语音大模型发布,覆盖识别、合成、创作与实时交互

    Qwen-Audio-3.1 系列正式发布,包含 ASR、TTS、ASR-Next、TTS-Next 和 Realtime 五款模型,API 已上线千问 AI 平台,全线价格大幅下调,其中 TTS 降价约 70%,Realtime 降幅约 85%,ASR 降幅达 95%。

    推荐理由:该发布通过覆盖语音识别、合成与创作的完整模型矩阵与显著降价,为实时交互和音频内容生产提供了新的工程基线。

  3. 千问大模型81

    千问正式发布 Qwen-Audio-3.1 系列语音大模型

    千问发布 Qwen-Audio-3.1 系列,包含 ASR、TTS、Realtime 及 ASR-Next、TTS-Next 五款模型。全线 API 已上架千问 AI 平台,价格大幅下调,其中 TTS 降价约 70%,Realtime 降幅约 85%,ASR 降幅达 95%。

    推荐理由:官方一次性给出五款模型的能力边界、价格降幅与接入地址,可据此评估语音工作流的落地成本。

  1. 阿里云85

    阿里云2026云栖大会:发布Qwen3.8-Max与真武V900,迈向机器智能时代

    阿里巴巴集团CEO吴泳铭在2026云栖大会演讲中提出机器思考总量未来将超过人类1000倍,并公布Qwen3.8-Max模型与真武V900 AI芯片。Qwen3.8-Max通过自主迭代完成33轮训练优化,在未知GPU上实现推理吞吐量提升96%;真武V900性能为前代3倍,支持扩展至50万卡的集群规模。

    推荐理由:吴泳铭提出机器思考总量将达人类1000倍,并同步发布Qwen3.8-Max与真武V900芯片,展示阿里在模型、芯片及云侧的全栈布局。