跳到正文
  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。

  1. AWS Machine Learning Blog76

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新,包括 Claude Haiku 5.5 在 Amazon Bedrock 支持 subagent 场景,OpenAI GPT-6.1 Terra 在 Amazon Bedrock 上 GA,并带来 100 万输入 token 和更低价格。

    推荐理由:原文汇总了模型可用性变化与 AgentCore 新增能力,读者可以据此判断现有 AI 工作流需要调整哪些部分。

  1. 阿里语音AI60

    音频解码器技术与演进:从重构到生成

    音频解码器通过重构训练建立波形重建能力,生成模型可复用其预测表征完成音频合成。文中介绍了声码器、离散神经音频编解码器和连续音频自编码器的典型结构,并展示了基于 DiT 的级联声学生成、流式解码及针对预测表征的解码器微调方法,说明了如何在时延约束下实现高质量实时交互。

    推荐理由:原文梳理了音频解码器从重构训练到生成复用的完整技术链路,并给出了流式解码与微调适配的具体设计思路。

  2. Hugging Face Blog69

    Gradium 端侧语音模型 Phonon 开源,性能与速度领跑 Hugging Face Open TTS Leaderboard

    Gradium 于两周前推出并开源了小型端侧文本转语音模型 Phonon,该模型无需服务器与网络即可运行。目前 Phonon 提供约 65 MB 和 75 MB 两种尺寸,支持英、法、德、西、葡五种语言,并内置 100 多种预设音色。

    推荐理由:展示了高性能TTS模型在端侧落地时的架构平衡策略,以及通过多语言支持与流式响应技术实现的质量跃升。

  1. Tibo (X)63

    OpenAI 为 Dot 添加即时通讯与语音指令功能

    OpenAI 宣布 Dot 功能新增文本、照片及语音笔记支持,用户可像发送短信一样直接向助手下达任务。该功能通过 iMessage 或 RCS 提供隐私保护,助手会主动发送更新,现已面向美国 Pro 用户开放预览。

    推荐理由:该功能支持通过iMessage或语音备忘指令AI助手,展示了日常交互与执行任务的能力扩展。

  1. NVIDIA Blog76

    NVIDIA 开源多语种语音转录模型 Nemotron 3.5 Transcribe

    NVIDIA 今天推出开源权重语音模型 Nemotron 3.5 Transcribe,单个模型即可处理转录、说话人识别和翻译,支持 40 种语言。该模型在 Hugging Face 开放 ASR 榜单排名 No.1,采用约 43 亿活跃参数,比当前排名第一的开源权重模型参数少约 80%。

    推荐理由:NVIDIA开源语音模型Nemotron 3.5 Transcribe一次完成转录、说话人分离和翻译,用本地设备即可完成多语种音频信息提取。

  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. 阿里语音AI67

    阿里云百炼多模态交互套件升级 Qwen-Audio-3.1 语音模型

    阿里云百炼多模态交互套件升级 Qwen-Audio-3.1 语音模型,提供低延时流式 ASR 与流式 TTS 能力,支持30种语言和16种中文方言。TTS在 Artificial Analysis 语音排行榜中取得1177 Elo评分;相较上一代,TTS 价格降低约70%,ASR 价格降幅达95%。

    推荐理由:升级聚焦ASR与TTS两端能力与成本,开发者可据具体指标评估硬件接入路径。

  2. arXiv · NLP65

    论文提出合成正样本微调法,将 Whisper 静默幻觉率从 61.9% 降至 2.4%

    arXiv 论文针对 Whisper 在纯静默音频中产生 61.9% 幻觉词的问题,提出使用语音合成系统生成 6,267 条正样本进行微调。实验显示该方法将静默音频幻觉率降至 2.4%,真实无语音音频出词率从 99.9% 降至 47.8%,同时短语恢复率从 69.8% 提升至 82.7%,在保持英语准确率的所有测试对中均有效。

    推荐理由:作者实测指出 Whisper 静默幻觉率高达 61.9%,并提出使用合成正样本微调法,将幻觉率降至 2.4% 且未牺牲转写准确率。

  3. 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. Qoder69

    Qoder 集成千问AI耳夹式耳机,支持语音控制与 Computer Use

    Qoder 已集成到千问AI耳夹式耳机中。用户通过耳机唤醒 Qoder 后,可语音指令继续推进电脑上的未完成任务,或通过 Computer Use 功能让 Agent 像人一样操作屏幕、点击鼠标和敲键盘来完成具体事务。耳机支持全双工语音交互,允许用户在 Qoder 说话时随时插话修正指令。

    推荐理由:耳机与Agent结合,允许用户通过语音指令继续电脑上的任务,并直接操作电脑完成具体事务。

  2. arXiv · NLP75

    Fish Audio Drama 3 技术报告发布

    Fish Audio 开源了基于 35B 参数 MoE 架构的语音生成模型 Fish Audio Drama 3。该模型能根据自然语言指令生成多角色长对话,支持多轮修改、语音编辑及流式输入,其专属音频解码器可将推理速度提升至 271 帧/秒,已发布至 GitHub 和 Hugging Face 并支持 SGLang-Omni 部署。

    推荐理由:报告详细解析了单模型实现多轮剧本修改、声线克隆及SGLang-Omni流式推理的架构设计与完整技术路线。

  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. Hugging Face Blog62

    Hugging Face 发布 Open TTS Leaderboard 用于多语言语音合成评测

    Hugging Face 推出 Open TTS Leaderboard,使用 WER、RTFx、TTFA 和 SIM 等客观指标评测开源及多语言 TTS 模型。目前支持 Seed TTS Eval 和 CV3 Eval 数据集,并提供语音克隆对比与流式性能测试,评测脚本将开源。

    推荐理由:原文给出了 Open TTS Leaderboard 的客观评测维度和开源模型定位,读者可据此了解如何快速对比多语言 TTS 性能。

  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。