英伟达开源最强转录 AI 模型 Nemotron 3.5 Transcribe：支持 40 种语言，8 人抢话也能精准转录
英伟达推出开放权重语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言转录，最多可区分 8 名说话人，已在 Hugging Face 与 ModelScope 免费开放。
推荐理由：英伟达开源了 Nemotron 3.5 Transcribe 模型，支持多语言转录和说话人识别，对多场景应用有重要意义。
#语音
#语音
今日 0 条IT之家精选AI 评分8585 爱范儿精选AI 评分6565 AI 语音助手发展现状与趋势分析
文章分析了语音助手的发展现状，包括 Dessa 和 Grok Voice 3.0 等模型的特性，探讨了语音助手在日常生活和工作中的应用，以及语音助手面临的挑战和未来发展趋势。
推荐理由：文章探讨了语音助手的发展趋势，分析了不同语音模型的技术路线和实际应用，对读者了解语音助手的发展方向有参考价值。
Show HNAI 评分4545 SPEV：原生支持音频和视频输入的多模态决策模型
OpenAI的Decisions和Cloudflare的Clef等多模态模型支持文本或图像输入，而SPEV原生支持音频和视频输入，直接从音频推理，无需语音转文字转换，音频决策速度比OpenAI快3.5倍，仅需166毫秒。
The DecoderAI 评分6565 Tavus 发布 Griffin 视频对话模型，48% 测试者误认其为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。
The DecoderAI 评分6666 微软 AI 发布面向语音智能体的转写与语音合成模型
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming，称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首个部分结果延迟略超 100 毫秒，年底前音频价格为每小时 0.54 美元。
Google DeepMind精选AI 评分6666 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 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
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 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 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行表演指导，后者面向高并发配音和语音智能体。
推荐理由：两款 TTS 模型给出从 30 种预设到可自定义音色的能力变化，并列出基准排名与开放入口。
Google DeepMind精选AI 评分7878 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，分别面向规模化低成本场景与高复杂度任务。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力水位。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、经过格式化的文本。
推荐理由：官方给出 WER、延迟与多语言等量化指标，并说明实时与录音两条 API 路径的接入方式。
OpenAI News精选AI 评分6060 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，目前已接入 ChatGPT Voice。
推荐理由：OpenAI 发布新一代语音模型并接入 ChatGPT Voice，读者可了解语音交互能力的一次代际更新。
Google DeepMind精选AI 评分7878 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。
推荐理由：官方给出 70+ 语言实时语音翻译的连续生成机制与多产品落地节奏，可据此判断实时翻译的可用边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出音频标签控制方式、Elo 分数与多语言覆盖，可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分7272 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 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：官方给出语音模型的基准成绩与多端开放入口，可据此判断实时语音智能体的能力边界。
Google DeepMind精选AI 评分6666 Google DeepMind 更新 Gemini 2.5 Flash Native Audio 并推出实时语音翻译
Google DeepMind 发布面向实时语音智能体的 Gemini 2.5 Flash Native Audio 更新版，在函数调用、指令遵循和多轮对话三方面做了改进，其中对开发者指令的遵循率从 84% 提升到 90%，在 ComplexFuncBench Audio 上以 71.5% 领先。
推荐理由：官方给出函数调用、指令遵循与多轮对话三项能力的具体提升数据，并同步上线实时语音翻译。
OpenAI NewsAI 评分3535 ChatGPT 视觉与语音功能助力多模态输入与自然沟通
ChatGPT 引入视觉与语音功能，支持多模态输入，提升团队沟通效率；功能旨在使沟通更自然。
OpenAI News精选AI 评分8282 OpenAI 发布新旗舰模型 GPT-4o
OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可在音频、视觉和文本之间进行实时推理。
推荐理由：OpenAI 官方发布新旗舰模型，读者可据此了解其在音频、视觉与文本上的实时推理定位。
OpenAI News精选AI 评分7878 OpenAI 开源语音识别模型 Whisper
OpenAI 训练并开源了神经网络 Whisper，其在英文语音识别上接近人类水平的鲁棒性和准确率。
推荐理由：OpenAI 开源语音识别模型 Whisper，读者可了解其在英文语音识别上的鲁棒性与准确率定位。