ElevenLabs发布Eleven v4
ElevenLabs 发布 Eleven v4及Eleven v4 Turbo语音模型
English translation is being prepared.
匹配字段摘要
←搜索结果
搜索“语音”
Google发布Gemini 3.8 Flash TTS与Flash-Lite TTS
2026年9月23日,Google发布两款Gemini语音模型:Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS。据发布信息,两款模型支持用30秒音频复刻音色、用一句话描述设计新音色,并可逐行指定风格、笑声、叹气、副语言声音和双人场景;音色库可按语言、口音、性别、音高和角色筛选,复刻带同意校验,每条音频加SynthID水印,已在Gemini API和Google AI Studio提供。另有报道称其支持100多种语言、可从2000多种预设音色中挑选,Flash TTS面向游戏、有声书和播客等高保真创意制作,Flash-Lite TTS面向近实时语音智能体、批量配音和规模化音频生产。官方称其在Hume Voice Design基准排名第一、Hume Quality占据第一和第二,并在6种语言的Voice Arena登顶。目前尚无进一步有证据的发展。
匹配字段摘要
StepFun发布StepAudio 3 Music音乐生成基础模型
2026年9月16日,StepFun(阶跃星辰)发布StepAudio 3系列音频模型,其中包含音乐生成基础模型StepAudio 3 Music。据官方信息,该系列共5款音频模型,覆盖实时语音、语音识别、语音生成、音频生成和音乐。官方同时披露了系列中其他模型的表现:Realtime在Artificial Analysis的Conversational Dynamics和Speech Reasoning两项分别达到98.9%和99.7%,均排名第一;ASR的词错率为1.7%,与榜单最好成绩持平。官方称该系列可用于构建能处理打断、边说话边推理并调用工具的语音智能体,现已通过Voice AI Lab和博客开放,API亦已开放。目前尚无后续发展事实。
匹配字段摘要
Google发布Gemini 3.8 Live音频模型
Google发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话音频模型,即日起通过Gemini API、Google Workspace和Gemini应用开放。据Google DeepMind介绍,Gemini 3.8 Live Extended Thinking在Artificial Analysis语音到语音质量指数得82.6分排名第一,τ-Voice智能体任务完成率68.6%,Big Bench Audio得97.7%;Gemini 3.8 Live在Speech Agent Arena排名第二。两款模型支持近实时视觉输入、对话中自动切换97种语言,并可在后台执行工具和API调用而不打断对话。9月18日,Google展示用Gemini 3.8 Live Extended Thinking构建的工作坊助手演示,可分析工作区、出声推理并引导搭建过程。9月21日,Google又演示了用该模型构建的编程辅导Agent,能查看用户屏幕、通过function calling引用p5.js库并讲解代码逻辑。
匹配字段摘要
谷歌发布Gemini 3.5转写模型
2026年8月26日,Google DeepMind发布Gemini 3.5 Transcribe语音转文本模型,面向实时转写场景,已在Gemini API、Google AI Studio和Gemini Enterprise Agent Platform向开发者开放。据官方信息,该模型相比此前的Chirp 3,最终转写时间据Artificial Analysis测量提升70%,在FLEURS基准上流式模式WER为5.50%、非流式模式为5.04%,并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入Gboard、Antigravity、Gemini app和Chrome等产品,LangChain、LiveKit、Vercel等平台通过Gemini Live API提供支持。次日,Google AI Developers进一步说明其面向代码场景的能力:可在转写时过滤口语中的犹豫停顿,并依据当前上下文精确对齐技术术语、文件名和代码变量,还通过视觉偏置为复杂开发者工作流提供屏幕感知上下文。目前该模型已开放构建入口。
匹配字段摘要
xAI发布Grok Imagine Video 1.5
2026年6月16日,xAI发布Grok Imagine Video 1.5,并宣布该图生视频模型在Imagine API正式可用,模型名为grok-imagine-video-1.5。同时,Video 1.5 Fast已上线grok.com/imagine及iOS、Android应用。官方称这是其目前最好的图生视频模型,音效、环境音与对白在同一次生成中完成,语音更清晰、同步更好,画面运动与物理表现更稳定。官方还表示,Video 1.5 Fast生成6秒720p视频约需25秒,此前模型需40秒以上;未来几天还将上线Projects、多智能体并行和素材库搜索等功能。目前尚无后续发展事实。
匹配字段摘要
谷歌推出Gemini Omni Flash
2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、音频、视频和文本输入,生成高质量视频,并支持通过多轮自然语言对话进行编辑。该模型正向Gemini app、Google Flow和YouTube Shorts推出,未来数周将通过API面向开发者和企业客户开放;初期音频输入仅支持语音参考,生成视频均含SynthID数字水印。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。
匹配字段摘要
Gemini 3.1 Flash Live发布
2026年3月26日,Google开放Gemini 3.1 Flash Live。该模型面向开发者和企业,主打生产级可靠性与语音优先智能体,可用于规模化构建能够完成复杂任务的应用。材料称,其整体质量已经改进,并在ComplexFuncBench Audio的受约束多步函数调用测试及Scale AI AudioMultiChallenge的含中断长程推理测试中领先;其多语言能力也支持Search Live推广。
匹配字段摘要
OpenAI推出多模态模型GPT-4o
2024年5月14日,OpenAI发布GPT-4o,并将其免费提供给ChatGPT用户。该模型配套推出新的语音和视频模式,强调接近人类的响应速度与表现力。Sam Altman称,这类交互快速、自然且实用;未来还计划加入可选的个性化、信息访问以及代用户执行操作等能力。
匹配字段摘要
Qwen推出实时同传模型Qwen3.8-LiveTranslate
2026年9月19日,Qwen 推出新一代实时同声传译模型 Qwen3.8-LiveTranslate。据官方发布信息,该模型基于 Interleave 架构,在 60 种语言上把平均延迟(LAAL)从 2.8s 降到 2.3s,并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离,可在多方语音中区分说话人,并通过更稳定的声音克隆保留各自音色;双语同步显示,原文与译文同屏呈现;长上下文消歧,利用对话历史澄清人名和术语以保证译文一致。模型已在 QwenCloud 上线,官方同时给出博客和案例链接。目前尚无后续发展事实。
匹配字段摘要
Meta Superintelligence Labs 推出 Muse Voice Transcribe
2026年9月2日,Meta Superintelligence Labs 推出其首个实时音频感知模型 Muse Voice Transcribe。据官方发布信息,该模型支持实时流式 ASR、20 人以上说话人分离和端点检测,具备多语言与无缝语码切换能力,并可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 系列的自回归多模态 LLM,音频按 80ms 分块(12.5 Hz)逐 token 处理,结合词错误率和延迟奖励的强化学习实现自适应延迟。该模型在 ArtificialAnlys 流式语音转文字和公开说话人分离基准上排名第一,并已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。目前尚无后续独立发展事实。
匹配字段摘要
微软AI公开预览MAI-Image-2.5-Pro与MAI-Voice-2-Flash
2026年7月24日,微软AI宣布MAI-Image-2.5-Pro与MAI-Voice-2-Flash进入公开预览。据微软AI Blog,MAI-Image-2.5-Pro主打高保真图像生成与精确图像内文字渲染,定价为每1M文本输入token 5美元、每1M图像输入token 8美元、每1M图像输出token 106美元;MAI-Voice-2-Flash面向高并发语音场景,比MAI-Voice-2快2倍、便宜32%,定价为每1M字符15美元。微软称MAI-Image-2.5已成为Bing Image Creator的默认模型,在PowerPoint中使GPU成本最多降低84%,在OneDrive中使保存率提升26%、P95延迟降低约25%;MAI-Voice-2-Flash已接入Dynamics 365 Contact Center与Azure Voice Live,GPU成本最多降低89%。目前尚无后续发展事实。
匹配字段摘要
Zyphra发布实时TTS模型ZONOS2
2026年6月12日,Zyphra发布实时文本转语音模型ZONOS2。据Zyphra Research介绍,该模型采用稀疏MoE架构,具备9亿激活参数、80亿总参数,是首个开源MoE TTS模型,并以Apache 2.0许可发布,支持高保真声音克隆。相比Zonos-v0.1,其训练数据从约20万小时扩展至超600万小时,模型规模从1.6B增至8B,实时吞吐提升4倍,支持最长一分钟的多语言与语码转换音频生成。模型权重已在Hugging Face发布,基于SGLang的推理代码在GitHub开源,同时上线Zyphra Cloud并提供API,发布后促销期内免费。Zyphra还提出ZTTS1-Eval评测基准,覆盖9种语言的Clean集与17种语言的In-The-Wild集。目前尚无后续发展事实。
匹配字段摘要
谷歌发布Gemini 3.5转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe语音转文字模型
English translation is being prepared.
匹配字段摘要
谷歌发布Gemini 3.5实时翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate语音翻译模型
English translation is being prepared.
匹配字段摘要
Mistral发布Voxtral转录模型
Mistral AI 发布 Voxtral Transcribe 2语音转录模型系列
English translation is being prepared.
匹配字段摘要
谷歌发布 Gemini 4 Carbon 模型，主打长周期 Agentic 工作流
谷歌发布旗舰模型 Gemini 4 Carbon，专为持续运行的 Agentic 工作流构建，重点提升编程、智能体、科学任务与全栈 Web 开发能力。该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一，超过 Claude Opus 5.5、GPT-6 Astra 和 GPT-6.1 Sol；首发优惠价为每百万输入 Token 2 美元、每百万输出 Token 10 美元，缓存输入 Token 可享 95% 减免。Carbon 采取分阶段开放策略，先向部分网络安全防御人员开放，再通过 Fairwind 计划扩大可信合作伙伴范围，之后向开发者、企业和消费者开放。
务营收为633.50亿美元（约合人民币4222.97亿元），同比增长12%。皮查伊称，搜索查询量同比增长率达到过去5年来的最高水平，AI投资正在推动整体查询量增长，包括商业相关查询。 在产品层面，谷歌正在整合AI Overviews、AI Mode和传统搜索体验。皮查伊称，AI Mode中的查询平均长度约为传统搜索的3倍，全球约1/5的AI Mode查询使用语音、图片或文档等多模态输入；谷歌每月视觉搜索量已经超过500亿次。 这些变化意味着，用户正在通过更长、更复杂的提问完成信息检索和决策。但对于依赖广告收入的搜索业务而言，查询方式变化也带来了新的变现问题。 在财报会上，谷歌首席商务官菲利普·辛德勒（Philipp Schindler）解释称，AI Mode中的多数查询属于增量查询，能够带来新的商业意图和未来的变现机会。 谷歌正在将AI Overviews和AI Mode中的广告扩展至更多用户和查询，并首次将AI Mode广告的覆盖范围拓展到国际市场，同时在美国推出多轮交互广告。 谷歌也披露了AI对广告主工具的影响。第三季度，Gemini模型帮助广告主生成超过15亿个广告活动素材，同比
匹配字段正文
Mistral 开放 Mistral Large 4 权重，1 万亿参数原生多模态
Mistral AI 宣布开放其前沿模型 Mistral Large 4（代号 Le Chonk）的权重，该模型拥有 1 万亿参数、520 亿激活参数，原生支持多模态。ML4 在欧洲数据中心用 3800 块 Nvidia Grace Blackwell GPU 训练，在 Terminal-Bench 4.0 上从 28% 提升到 41%，与 GLM-5.3 并列编码智能体最佳成绩，且平均每任务少用 47% token。开放权重意味着企业可在自有硬件和防火墙内部署，模型提供低、中、高三档推理模式。
Arthur Mensch 表示。“其他实验室已筹集数千亿美元来开发同等能力；而在三年内，Mistral 筹集了约 60 亿美元。” 由于其训练方案，ML4 在许多其他前沿模型中脱颖而出，在 Artificial Analysis Coding Agent Index 上甚至可与 GLM-5.3 等顶级模型匹敌，同时平均每个任务少用 47% 的 token。 在测试终端中智能体编码能力的 Terminal-Bench 4.0 上，ML4 从 28% 提升到 41%，与 GLM-5.3 并列成为编码智能体的最佳模型。 Mistral 为 ML4 提供三种推理模式：低、中、高。团队可利用这一点让推理深度与任务相匹配，而无需调整提示词（后者可能效果较差），从而使推理既能适应快速的日常任务，也能胜任极其复杂问题的深度工作。这使开发者和企业用户能够控制每个任务的 token 使用量。 该公司表示，ML4 的发布代表了 Mistral 涵盖所有模态的新一代模型。此前不久，该公司刚推出了 Voxtral 3，这是一个语音模型和语音智能体系列。Mistral 计划在未来几个月继续发布该系列的其他模型。
匹配字段正文
Google 发布 Gemini 4 Carbon，17 项基准中登顶 15 项
Google 发布面向网络安全与长时编码任务的前沿模型 Gemini 4 Carbon，在 Google 自家 17 项基准中登顶 15 项，但尚未公开，仅向部分网络安全防御人员开放。其在 Artificial Analysis 的 Intelligence Index 上得 59 分，超过 Claude Opus 5.5，比四周前的 Argon 提升 9 分；在长输入推理上领先 OpenAI Astra 和 Opus 24 分。API 介绍价为每百万 token 输入 2 美元、输出 10 美元，为 Opus 5.5 的一半，折扣期后翻倍至 Opus 的费率。Google 未公布扩大开放的时间。
解如何： 平衡 AI 价值与风险 通过 AI 中央银行治理 AI 用人工监督填补 AI 安全缺口 下载洞察。NATE 的笔记本 ☕ Nate 的笔记本：先雇一个调度员 简报：每周，Rundown AI 教育者 Nate Grahek 都会拆解他在教真实团队使用 AI 时看到的情况。 Nate：大多数早晨，我在等咖啡时把项目清单一股脑倒进手机。Dot 把这一次语音倾倒拆分成同时运行的多个聊天，每个都有自己的上下文窗口。等我回到办公桌前，它们已经在收集上下文、做研究、起草大纲了。 这就是眼下落地的智能体之间的区别。Grok Bot 和 OpenClaw 是单线程：一个无人值守运行的工作者。即使有细致的规则和配置文件，我也从未对此类工作特别满意。Dot 是一个委派者，把离散的任务交给仍可由我指导的线程。 无人值守是难点所在。想想雇一个新助理：我们都低估了任何人——无论是人还是智能体——预判什么对你重要有多难。智能体会做到，但这需要时间和多得多的上下文。在那之前，我会在分块、质量和指导方面保持参与。 上周，我列出了我的阶梯：读，然后写，然后发送。如果你还没准备好写权限，没关系。Dot 整理我收
匹配字段正文
Nvidia 发布 Nemotron 3.5 Transcribe 可提示转写模型
Nvidia 发布开源权重多语言转写模型 Nemotron 3.5 Transcribe，在 Hugging Face Open ASR 英文开源模型榜以 5.33% 平均词错误率排名第一。该模型为 30B MoE 架构、4B 激活参数，支持 40 种语言转写、31 种语言与英文互译，可为说话人标注并区分最多 8 个声音，处理最长 1 小时录音，但不支持实时流式。用户可在转写前给出上下文和术语等指令，模型可用 vLLM 部署或在单 GPU 上通过 NeMo-Speech.cpp 本地运行；Nvidia 同时发布数据整理流程 Granary v2 及约 463,062 小时、48 种语言的公开清单。
ia 将这些能力连同翻译功能打包进单个检查点，这可以简化围绕它们构建应用的工作。 理想情况下，设定这种上下文可以降低错误率。代价是，这些模型比传统转写模型大得多，后者规模通常不到 10 亿参数。Nemotron 3.5 Transcribe 是一个 30B 的混合专家模型，拥有 40 亿激活参数。 不过，这并非一个全新的概念。我们最近已经看到一些其他可提示的语音转文本模型，例如 Mistral 的 Voxtral 模型和 AssemblyAI 的 Universal 3 Pro。 不过，Nvidia 能够以远更少的激活参数与 Voxtral 的错误率相匹敌。在 Artificial Analysis 的基准测试中，Nemotron 的词错误率为 2.81%，而 Voxtral Small 为 2.77%，同时前者使用约 40 亿激活参数，后者则为 240 亿。不过，这一比较衡量的是相对于激活参数数量的准确率，而非运行时或内存需求。 该模型可以转写 40 种语言，并将其中 31 种语言与英语互译。说话人归属功能适用于其中 13 种语言，并且最多可区分 8 个说话人的声音。音频问答功能以英
匹配字段正文