跳到正文

#语音

今日 0 条
9月25日周五
  1. Google DeepMind71

    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。

    推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言切换细节，可据此判断企业级多模态交互的落地形态。

9月23日周三
9月16日周三
8月27日周四
  1. Google DeepMind71

    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%。

    推荐理由：官方给出流式与非流式 WER 及延迟对比，可据此判断语音转写接入现有工作流的门槛。

8月11日周二
  1. Hugging Face Blog60

    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。

    推荐理由：原文给出 364M 开源权重模型的多语言覆盖、TTFA 实测数据和自托管部署路径，可据此评估语音链路延迟预算。

7月30日周四
  1. Google DeepMind62

    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。

    推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与创作控制上的具体改进方向，可据此判断音乐生成能力的变化。

7月8日周三
6月9日周二
4月28日周二
  1. Hugging Face Blog71

    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。

    推荐理由：NVIDIA 开源的全模态模型，给出架构、训练配方与多榜单对比，可据此判断长文档与音视频智能体的选型空间。

4月16日周四
3月26日周四
  1. Google DeepMind74

    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%。

    推荐理由：官方给出语音模型的基准分数与多产品接入路径，可据此判断语音智能体的可用性变化。

12月13日周六