Tavus 发布 Griffin 人机交互模型，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），可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿，进行实时面对面交流。
#语音
#语音
今日 1 条The DecoderAI 评分6565
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 的基础上为原生实时对话模型加入近实时视觉形象，可同时处理视觉与音频输入并输出带表情和唇形同步的音视频。
推荐理由：官方披露了实时视频与语音耦合的对话能力、异步工具调用和 97 种语言支持，可据此判断企业级虚拟形象的应用边界。
Google DeepMind精选AI 评分7272 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深度创作控制，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 语音模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模与成本效率，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，给出语音智能体基准成绩与开发者接入路径，可据此判断实时语音 Agent 的当前水位。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文本模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文本模型，可将原始音频直接转为准确、格式化文本。
推荐理由：官方给出 WER、延迟与多语言等可核验指标，并说明开发者与消费端入口，便于判断语音转写能力边界。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：364M 开源权重，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扩展与 TTFA 实测数据，读者可据此判断自建语音链路的延迟与部署成本。
Google DeepMind精选AI 评分6262 Google DeepMind 在 Google Flow Music 发布音乐生成模型 Lyria 3.5
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 中上线。官方称其在音乐性、歌词和人声质量上均有提升：可生成更丰富复杂的旋律结构，歌词的提示词遵循度和结构感知更好，人声更具表现力与情感细节、发音也更准确。用户还能更便捷地控制输出的节奏和时长。
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。
OpenAI News精选AI 评分6262 OpenAI 发布新一代语音模型 GPT-Live，已接入 ChatGPT Voice
OpenAI 发布新一代语音模型 GPT-Live，用于更自然的人机交互，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，读者可据此了解语音交互能力的代际更新。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种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：官方披露了连续生成式语音翻译的取舍思路，以及它在 Google 各产品线的开放节奏。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款覆盖文本、图像、视频与音频的全模态理解模型，基于 Nemotron 3 Nano 30B-A3B 骨干，搭配 C-RADIOv4-H 视觉编码器和 Parakeet-TDT-0.6B-v2 音频编码器。
推荐理由：原文给出架构、训练配方与多模态基准对比，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体上的能力边界。
Google DeepMind精选AI 评分7171 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 1211 与音频标签等具体能力，读者可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分7676 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 上得分 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分 36.1%。
推荐理由：官方给出语音模型在函数调用与长程推理基准上的分数，并说明开发者与普通用户的使用入口。
Mistral AI精选AI 评分7171 Mistral AI 发布 4B 参数语音合成模型 Voxtral TTS
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数规模 4B，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，可生成带情感表达的语音。
推荐理由：官方给出 4B 参数、9 种语言与 70ms 延迟等具体指标，并公开与 ElevenLabs 的人工对比结果。
Mistral AI精选AI 评分7676 Mistral 发布 Voxtral Transcribe 2 语音转写模型家族
Mistral 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 两款语音转文字模型。
推荐理由：官方给出两款语音转写模型的延迟、错误率与价格对比，便于判断实时语音场景的落地成本。
Google Research精选AI 评分6262 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，并保留 2D 图像与文本能力。官方称其在 CT 病变分类上绝对准确率较 MedGemma 1 提升 3%（61% vs. 58%），MRI 提升 14%（65% vs. 51%），MedQA 提升 5%（69% vs. 64%）。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Google DeepMind精选AI 评分7474 Google DeepMind 更新 Gemini 2.5 Flash Native Audio，并推出实时语音翻译
Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio，面向实时语音智能体，提升了复杂工作流处理、指令遵循和多轮对话能力。
推荐理由：官方给出 Gemini 2.5 Flash Native Audio 在函数调用、指令遵循和多轮对话上的具体提升数据，便于判断语音智能体的可用性变化。
OpenAI News精选AI 评分7575 OpenAI 发布 gpt-realtime 并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并同步更新 Realtime API。新 API 能力包括 MCP server 支持、图像输入以及 SIP 电话呼叫支持。
推荐理由：OpenAI 发布新一代语音到语音模型并扩展 Realtime API，读者可了解语音智能体接入工具与电话通道的能力边界。
Mistral AI精选AI 评分8080 Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本开源
Mistral 发布 Voxtral 语音理解模型，提供 24B 和 3B 两种尺寸，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、多语言自动检测以及从语音直接触发函数调用等能力。
推荐理由：Mistral 开源语音理解模型，给出两种尺寸、Apache 2.0 许可与 API 定价，读者可据此判断语音能力的部署与成本选择。
OpenAI News精选AI 评分6262 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如像有同理心的客服人员那样说话，为语音智能体带来新的定制能力。
推荐理由：OpenAI 在 API 中开放语音风格指令，开发者可据此判断语音智能体的定制空间。
OpenAI News精选AI 评分8787 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。
Hugging Face Blog精选AI 评分6060 SpeechT5 上线 Hugging Face Transformers，支持语音合成、识别与音色转换
Hugging Face 宣布 SpeechT5 已集成进 Transformers，论文作者发布的官方 checkpoint 可在 Hugging Face Hub 获取，并提供语音合成、音色转换和自动语音识别三个 Spaces 演示。
推荐理由：SpeechT5 以同一套编码器解码器架构覆盖 TTS、语音转换与 ASR，读者可据此了解多任务语音模型在 Transformers 中的接入方式。
OpenAI News精选AI 评分8080 OpenAI 开源语音识别模型 Whisper
OpenAI 宣布训练并开源神经网络 Whisper，其在英文语音识别上接近人类水平的稳健性和准确度。
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稳健性与准确度定位。