AITOP

语音模型

共 55 条相关 AI 资讯
6月12日
13:10
13:10官方账号Guillaume Lample (Mistral)@GuillaumeLample
精选73°
Guillaume Lample 宣布推出首个语音模型 Voxtral TTS，该模型在性能上达到业界领先水平，同时大幅降低成本和延迟。它采用新架构，结合自回归生成语义语音令牌与流匹配生成声学令牌。团队还发布了技术报告，详细分享了训练方法和洞察。这标志着语音 AI 领域的重要进展，未来将有更多音频相关成果。
AI模型语音模型TTS低成本
推荐理由：Voxtral TTS 在成本和延迟上显著优于现有方案，做语音合成或实时语音应用的开发者可以直接关注，技术报告也值得细读。
原文
02:17
02:17Mustafa Suleyman@mustafasuleyman
微软CEO Mustafa Suleyman在X上宣布，团队正在开发更具表现力的语音模型，并邀请用户通过MAI Playground体验最新版本。该模型旨在让语音交互更自然、情感更丰富，可能应用于智能助手、客服、有声内容等领域。目前模型已在playground.microsoft.ai开放试用，用户可直接感受其表现力提升。
AI产品语音模型微软MAI Playground
推荐理由：语音交互正在从“能说话”进化到“会表达”，做语音产品、虚拟人、有声内容的团队值得去MAI Playground试一下，感受情感表达的真实度提升。
原文
6月11日
07:47
6月10日
17:03
04:00
04:00官方账号Google AI@GoogleAI
76°
Google AI 发布了 Gemini 3.5 Live Translate，这是其最新的音频模型，专为实时语音到语音翻译设计。该模型支持超过 70 种语言，能在用户开始说话的同时进行翻译，并流式输出结果，无需等待或停顿。它通过同时接收输入和输出翻译语音，在速度和翻译质量之间做出毫秒级决策，保持对话的流畅自然。此外，模型还能在长时间会话中维持语速、音高和语调，提升用户体验。目前该功能已在 Google Translate 应用的 iOS 和 Android 版本中上线。
AI产品Gemini 3.5实时翻译语音模型
推荐理由：跨语言沟通的痛点终于被解决了——Gemini 3.5 Live Translate 让实时翻译不再有尴尬停顿，经常需要与外语人士交流的团队或个人可以直接在 Google Translate 应用中体验。
原文
01:33
01:33官方账号Decoder@Matthias Bastian
Google 发布了 Gemini 3.5 Live Translate，这是一个音频模型，支持超过70种语言的实时语音翻译。系统无需等待句子结束即可连续翻译，并声称能保留说话者的语调、语速和音高。在 Google Meet 中，语言支持从5种跃升至70多种。这标志着实时翻译技术的重要进步，尤其对跨国会议和多语言沟通场景有重大影响。
AI产品实时翻译语音模型Google Meet
事件专题
推荐理由：跨国团队和频繁开会的用户终于有了靠谱的实时翻译工具——Gemini 3.5 不仅支持70+语言，还能保留说话者的语气和节奏，建议在 Google Meet 中直接体验。
原文
6月7日
00:59
00:59berryxia@berryxia
精选
mlx-audio v0.4.4 发布，这是其功能最强大的版本，新增了 15 个 TTS、ASR 和 VAD 模型。新模型包括 VoxCPM2、Mega-ASR、Nemotron 3.5 ASR 等，支持 30 种语言、实时语音识别和长文本转录加速。服务器端新增 OpenAI 兼容格式和逐词时间戳功能，所有技术均运行在 Apple Silicon 上。该版本显著提升了 Apple 设备上的音频处理能力，适合开发者集成到本地应用中。
AI产品mlx-audioTTS/ASRApple Silicon
事件专题
推荐理由：Apple Silicon 用户终于有了一个本地化的音频处理利器，15 个新模型覆盖 TTS/ASR/VAD，做语音应用或音频工具的开发者可以直接安装测试，尤其关注中文支持效果。
原文
6月6日
19:15
19:15官方账号Decoder@Jonathan Kemper
78°
一款名为 Audio Interaction 的新型开源语音模型发布，它能够持续监听音频流，并每 0.4 秒决定是否说话或保持沉默，无需等待录音结束。该模型支持翻译、转录、聊天以及识别日常噪音（如咳嗽），实现了真正的实时交互。与 GPT-4o 或 Qwen3.5-Omni 不同，它在一个流中处理所有任务。代码、模型权重和下载说明已在 GitHub 上以 Apache 2.0 开源许可证发布，训练数据也将随后提供。
AI模型开源/仓库语音模型实时交互
推荐理由：这款模型解决了实时语音交互中“等待录音结束”的痛点，做语音助手或实时翻译的开发者可以直接在 GitHub 上试玩，体验每 0.4 秒的决策能力。
原文
6月5日
05:06
05:06Mustafa Suleyman@mustafasuleyman
76°
微软CEO Mustafa Suleyman在X上宣布发布MAI系列模型，包括MAI-Thinking-1推理模型、MAI-Transcribe-1.5转录模型、MAI-Voice-2语音生成模型、MAI-Code-1-Flash编程模型和MAI-Image-2.5图像模型。MAI-Thinking-1在SWE-Bench Pro上达到53%，与Opus 4.6并列最强编码基准。MAI-Transcribe-1.5在43种语言上超越Gemini和OpenAI，速度快5倍。MAI-Code-1-Flash仅5B激活参数，SWE-Bench Pro达51%。微软还发布了109页详细技术报告，强调前沿没有捷径，需要严谨、耐心和细节关注。
AI产品微软MAI-Thinking-1推理模型
事件专题
推荐理由：微软一口气推出7款模型，覆盖推理、编码、语音、图像全场景，MAI-Thinking-1在编码基准上追平Opus 4.6，做AI应用开发或模型选型的团队值得关注这份109页技术报告。
原文
6月2日
10:41
10:41官方账号ElevenLabs@elevenlabsio
ElevenLabs 在华沙峰会上预览了其最新、最具表现力的 AI 语音模型，并现场演示了语音代理在客户体验中的应用。该模型旨在实现自然、类人交流，被视为解锁 AI 商业价值的关键。演示展示了语音代理如何更流畅地处理客户对话，提升交互真实感。这标志着 AI 语音技术向更自然、更实用方向迈出重要一步。
AI产品ElevenLabs语音模型语音代理
推荐理由：做客服系统或语音交互产品的团队，可以直接关注 ElevenLabs 这次演示——更自然的语音代理意味着更低的用户抵触和更高的转化率，值得点开看 demo 效果。
原文
5月30日
04:15
5月25日
06:55
5月21日
10:48
5月20日
16:14
16:14IT之家（博客/媒体）
阿里通义千问团队发布Qwen3.5-LiveTranslate-Flash实时语音翻译模型，解决了跨境直播、跨国会议等场景中的延迟、语种覆盖和音色保留三大痛点。该模型支持60种语言输入和29种语言输出，端到端字均延迟仅2.8秒，并具备实时音色克隆功能，能保留说话人原声特征。内置热词引擎可自定义1000个词条，提升专有名词和行业术语的翻译准确性。在FLEURS和CoVoST2基准上，翻译准确率优于主流语音大模型，相比前代Qwen3-LiveTranslate-Flash在延迟和语言覆盖上均有显著提升。
AI模型实时翻译语音模型同声传译
推荐理由：跨境直播、跨国会议和出海团队终于有了低延迟、高语种覆盖的实时同传方案，还能保留说话人原声，做内容出海或智能硬件的开发者可以直接试。
原文
5月12日
18:00