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，支持 60 种语言，首个部分结果延迟略超 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。
#语音
#语音
今日 3 条The DecoderAI 评分6565 TechCrunch · AIAI 评分6060 Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具厂商。两年前他参与了 Stability AI 的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一同公布新方向。
The DecoderAI 评分5858 Suno 推出 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增 Speech 功能，可将口播文本与匹配的背景音乐合成为一条音轨，用户输入想法或文本并描述想要的音色和音乐风格，模型同时生成人声与配乐。
The Verge · AIAI 评分5050 Suno 推出 Speech 功能，可同时生成人声与背景音乐
Suno 上线 Speech 功能并开启公开测试，可在网页和移动端根据脚本或提示词生成语音，并同时生成配套背景音乐，单条最长约 8 分钟。该功能提供 Simple 和 Advanced 两种模式，Advanced 可自定义脚本并调整 AI 声音性别、语音风格和生成多样性，背景音乐可用开关关闭。Suno 承认功能尚不完善，将根据用户反馈持续改进。
BestBlogs.devAI 评分6262 微软发布三款语音 AI 模型，MAI-Transcribe-2-Streaming 登顶实时转录测评
微软发布三款自研语音 AI 模型：实时转录模型 MAI-Transcribe-2-Streaming，以及文本转语音模型 MAI-Voice-2.1 和低延迟版 MAI-Voice-2.1-Flash。
Hugging Face BlogAI 评分3636 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google DeepMind精选AI 评分7171 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，实现带口型同步、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 的实时音视频对话能力、97 种语言切换与企业定制入口，可据此判断多模态智能体的落地形态。
Simon WillisonAI 评分6464 Simon Willison 用 Gemini 3.8 TTS Playground 实测多角色语音合成
Google 发布 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两款文本转语音模型，提供超过 2000 种音色，并支持用 30 秒音频样本创建自定义音色。
Google DeepMind精选AI 评分7676 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 两款语音生成模型，前者面向角色设计与逐行表演控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：两款 TTS 模型给出语音克隆、逐行表演控制与多语言覆盖的具体能力，可据此判断语音生成工作流的变化。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，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：两款语音对话模型同时发布，给出语音智能体在实时推理与工具调用上的能力边界和开放入口。
Hugging Face BlogAI 评分5252 Open ASR Leaderboard 新增首个全球南方语言评测集 Monsoon
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究：语音识别基准优化如何被量化
Hugging Face 发布研究，用共识分歧、掩码实体检索和拼写切换三项探针量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：通过三项探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Google Research精选AI 评分7272 Google 推出 AMIE (Video)，实时视频问诊达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步完成诊断推理。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 视频版与真人医生同级的评测结果，可了解多智能体异步架构如何兼顾对话延迟与临床推理。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言开源权重模型，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，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提升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与 TTFA 实测数据，可据此判断自建语音链路的延迟与部署方式。
Google DeepMindAI 评分5858 Google DeepMind 在 Google 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，包括更丰富自然的旋律结构、提示词遵循与结构感知更好的歌词、更具情感表达和发音更准确的人声，以及更易控制输出节奏与时长。
Hugging Face Blog精选AI 评分6262 Hume 发布 Real World VoiceEQ 语音 AI 人类质量评测基准
Hume 发布 Real World VoiceEQ，一个评估语音交互人类质量的基准，覆盖 40 多个专有与开源语音模型、15 个以上评测维度和 60 多项指标，涵盖 ASR、TTS、S2S 与语音理解。
推荐理由：Hume 公开了语音 AI 人类质量评测基准的规模与关键发现，读者可据此理解现有基准为何高估真实表现。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 合作展示了一套实时语音到语音的开源流水线，用 Cerebras 加速 Gemma 4 31B 的推理。该架构为级联式模块化设计，依次经过 Nvidia Parakeet 语音识别、Cerebras 上的 Gemma 4 VLM 推理和阿里 Qwen3TTS 文本转语音，各层均可替换。
推荐理由：原文给出了一套可替换的实时语音到语音开源架构，读者可据此了解各层组件如何组合并复用到自己的项目。
Hugging Face BlogAI 评分3636 Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 排行榜
Hugging Face 与 Treble Technologies 发布首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 的 sim-to-real 验证轨道。
Hugging Face BlogAI 评分4848 Reachy Mini 实现完全本地运行：Hugging Face 开源语音对话栈
Hugging Face 让 Reachy Mini 机器人实现完全本地语音对话，无需云端和 API key。
Hugging Face BlogAI 评分3636 Hugging Face 为 Open ASR Leaderboard 引入私有数据集防刷榜
Hugging Face 联合 Appen Inc. 与 DataoceanAI 为 Open ASR Leaderboard 引入一批私有高质量英语 ASR 数据集，覆盖多口音的朗读与对话语音，以防止 benchmaxxing 和测试集污染。
Google Research精选AI 评分6666 Google 与 BIDMC 开展对话式诊断 AI 真实临床可行性研究
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让对话式诊断 AI AMIE 在门诊初级保健就诊前为患者采集病史，由医生通过视频实时监督。
推荐理由：Google 与 BIDMC 首次把 AMIE 放进真实门诊流程做前瞻性可行性研究，读者可看到安全监督机制与盲评结果。
Google Research精选AI 评分6060 Google Research 发布 WAXAL：覆盖 27 种非洲语言的开放语音数据集
Google Research 发布 WAXAL，一个覆盖 27 种撒哈拉以南非洲语言的大规模开放语音数据集，采用 CC-BY-4.0 许可。数据集包含约 1,846 小时用于 ASR 的转写自然语音，以及超过 565 小时用于 TTS 的高保真录音，由非洲高校与社区组织主导采集，覆盖 26 个以上国家、超过 1 亿使用者。
推荐理由：Google Research 联合非洲高校发布 27 种语言的开放语音数据集，可了解低资源语音数据的采集方法与许可条件。
Google Research精选AI 评分6060 Google 发布 MedGemma 1.5 4B 与医疗语音识别模型 MedASR
Google 发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并同步推出医疗听写语音识别模型 MedASR。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开放下载入口，可据此判断医疗多模态模型的可用边界。
Google ResearchAI 评分2727 Google 发布 MSEB 音频智能基准，覆盖 8 类听觉任务
Google Research 在 NeurIPS 2025 发布 Massive Sound Embedding Benchmark（MSEB），用于标准化评估声音嵌入模型的 8 类听觉能力，涵盖检索、推理、分类、转录、分割、聚类、重排序与重建。