跳到正文
只看模型#语音
  1. Google DeepMind82

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking

    Google DeepMind 发布两款实时语音对话模型 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。

    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与接入方式。

  1. Google DeepMind71

    Google DeepMind 发布语音转文字模型 Gemini 3.5 Transcribe

    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、经过润色和格式化的文本。

    推荐理由：官方给出 WER、延迟与多语言等量化指标，并说明两套 API 的接入方式，便于开发者评估语音链路选型。

  1. Hugging Face Blog62

    NVIDIA 发布 Magpie TTS 多语言版：开放权重、12 种语言与自托管部署

    NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语以及新增的现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，每种语言含男女声。

    推荐理由：原文给出 364M 开源权重模型的多语言扩展与自托管延迟数据，可据此判断级联语音架构的部署取舍。

  1. Google DeepMind60

    Google DeepMind 在 Google Flow Music 发布 Lyria 3.5 音乐生成模型

    Google DeepMind 发布音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称新版本在音乐性、歌词和人声质量上有明显提升，可生成更复杂自然的旋律结构、提示词遵循度和结构感知更好的歌词，以及更具情感表达和发音更准确的人声，同时支持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、人声与节奏时长控制上的具体改进，可据此判断音乐生成能力的变化。

  1. Google DeepMind82

    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，这是一款支持 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者的语调、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。

  1. Google DeepMind71

    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、表现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。

    推荐理由：官方给出 Elo 1,211、70+ 语言与音频标签等具体指标，可据此判断语音生成的可控性提升。

  1. Mistral AI72

    Mistral AI 发布 Voxtral TTS 语音合成模型

    Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，具备情感表达和零样本跨语言音色适配能力。

    推荐理由：官方给出 4B 参数、70ms 延迟与 9 种语言支持，读者可据此判断企业语音智能体的成本与部署门槛。

  1. Mistral AI75

    Mistral 发布 Voxtral Transcribe 2 语音转写模型家族

    Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，后者以 Apache 2.0 协议开放权重。

    推荐理由：官方给出两款语音转写模型的延迟、错误率与定价对比，可据此判断实时语音场景的选型与成本。

  1. Mistral AI80

    Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本开源

    Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音直接触发函数调用等能力。

    推荐理由：Mistral 开源两款语音理解模型，给出与 Whisper、GPT-4o mini、ElevenLabs 的对比和 API 定价，便于评估落地成本。

已经到底了