Microsoft 发布 MAI-Transcribe-1.5 多语言语音转写模型，语言覆盖从 25 种扩展到 43 种，在 FLEURS 基准上取得 43 种语言的最佳词错误率，Artificial Analysis 榜单 WER 为 2.4%、排名第 3。该模型一小时音频转写耗时不到 15 秒，长音频速度最高为 Gemini 3.1、Scribe v2、GPT-4o-Transcribe 的 5 倍，并新增关键词偏置功能，在 FLEURS 上可将 WER 最多降低 30%。模型已接入 Copilot、Teams、GitHub 和 Dynamics 365 Contact Centre，并在 Foundry 与 MAI Playground 提供。
匹配字段标题、摘要
小米 MiMo 开源 MiMo-V2.5-ASR，作为 MiMo-V2.5 语音系列的识别基础模型，面向中英文真实语音场景。官方称其覆盖吴语、粤语、闽南语、四川话等中文方言，以及 AMI 等复杂英文音频、中英混说、中英文歌词识别、高噪声与远场、多说话人会议与重叠对话，并可直接生成标点无需后处理。官方表示该模型在中英文、方言、混说和歌词识别上达到 SOTA 或具备较强竞争力，Demo、代码、权重和 Hugging Face Space 均已开放。
匹配字段标题、摘要
小米 MiMo 发布 MiMo-V2.5 Voice 语音系列，包含 MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign 和 MiMo-V2.5-TTS-VoiceClone 三款 TTS 模型，并开源 MiMo-V2.5-ASR。TTS 系列支持指令跟随、内联音频标签控制和文本理解，VoiceDesign 可用自然语言描述生成全新音色，VoiceClone 只需几秒参考音频即可高保真克隆音色。ASR 覆盖中英双语、中文方言、语码转换、噪声环境、多说话人和歌词识别，并原生生成标点。TTS 系列在小米 MiMo API 平台限时免费，MiMo TTS Skills 已开源以便集成到智能体应用。
匹配字段标题、摘要
小米 MiMo 发布 MiMo-V2.5-TTS 系列语音模型，包含内置高质量音色的 MiMo-V2.5-TTS、用自然语言描述生成全新音色的 VoiceDesign，以及只需几秒参考音频即可克隆音色的 VoiceClone。三款模型共享三项能力：可靠遵循情绪、语气、节奏与风格等指令，支持在文本中插入音频标签精确控制情绪与状态，以及仅凭纯文本理解停顿、情绪转折和角色线索。VoiceClone 无需额外训练或微调，并能保留呼吸、节奏和停顿等个人细节。
匹配字段标题、摘要
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，主打复杂多步工作流中的高精度数据录入与高频工具调用，原生支持 25 种以上语言。该模型在评估全双工语音智能体的 τ-voice Bench 榜单上排名第一，并在 Starlink 电话销售与客服中落地，销售询单转化率 20%、客服自主解决率 70%，单个智能体调用 28 个工具。
匹配字段标题、摘要
Google DeepMind 推出 Gemini 3.1 Flash TTS，通过 audio tags 精细控制语音风格、节奏和表达，并支持 70 多种语言及原生多说话人对话。该模型在 Artificial Analysis TTS 排行榜获得 1,211 Elo 分，正逐步上线 Google AI Studio、Vertex AI 和 Google Vids；生成的音频均带有 SynthID 水印。
匹配字段标题、摘要
微软推出多语言语音转文字模型 MAI-Transcribe-1，支持 25 种语言，在 FLEURS 基准上词错率低于 Scribe v2、Whisper-large-V3、GPT-Transcribe 和 Gemini 3.1 Flash-Lite。该模型批量转写速度比现有 Microsoft Azure Fast 快 2.5 倍，定价为每小时音频 0.36 美元，已在 Microsoft Foundry 开启公开预览，并逐步接入 Copilot 语音模式和 Microsoft Teams。
匹配字段标题、摘要
Gemini 3.1 Flash Live 现已开放使用，整体质量得到改进，支持开发者和企业规模化构建可完成复杂任务的语音优先智能体。该模型在 ComplexFuncBench Audio 的受约束多步函数调用和 Scale AI AudioMultiChallenge 的含中断长程推理测试中领先，并以多语言能力支持 Search Live 推广。
匹配字段标题、摘要
Cohere 发布开源权重 Conformer 语音识别模型 Transcribe，可将 14 种语言的语音转为文本，并已开放下载。该模型在 Hugging Face Open ASR Leaderboard 的平均 WER 为 5.42%，可在本地或端侧运行，也可通过有限速的免费 API 和 Model Vault 使用。
匹配字段标题、摘要
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，具备情感表达和零样本跨语言音色适配能力。模型在 10 秒参考音频、500 字符输入的典型场景下延迟为 70ms，实时系数约 9.7x，现已通过 API 和 Mistral Studio 提供，定价为每 1k 字符 0.016 美元。官方称人工评测中其自然度优于 ElevenLabs Flash v2.5，并与 ElevenLabs v3 质量持平；带参考音色的版本以 CC BY-NC 4.0 许可在 Hugging Face 开放权重。
匹配字段标题、摘要
蚂蚁百灵发布 Ming-flash-omni-2.0 语音生成模型，支持语速、音量、音调等基础属性控制，以及方言、情感和音色设计，内置 100+ 精品音色。该模型基于自研连续表征 Tokenizor 和自回归 Diffusion，实现 speech/audio/music 一体化生成。指标显示粤语和四川话生成准确率为 96% 和 86%，较 CosyVoice3 提升 2.3% 和 11.5%。
匹配字段标题、摘要
Sarvam AI 发布 Bulbul V3 文本转语音模型，面向印度语言提供自然、富有表现力且可用于生产的语音。该模型在 Josh Talks 开展的第三方盲测 A/B 人耳听测中覆盖 11 种语言，在 8 kHz 电话场景下偏好度领先 ElevenLabs v3 alpha、v2.5 flash 和 Cartesia Sonic-3，并新增低延迟流式输出模式。模型提供 11 种印度语言、35+ 音色并支持声音克隆，计划扩展到 22 种印度语言，2026 年 2 月期间 Sarvam Dashboard 提供不限量 API 访问。
匹配字段标题、摘要
微软 AI 发布首个高表现力语音生成模型 MAI-Voice-1，已在 Copilot Daily 和 Podcasts 中上线，并在 Copilot Labs 提供体验；该模型可在单张 GPU 上不到一秒生成一分钟音频。同时，微软 AI 首个端到端训练的基础模型 MAI-1-preview 已在 LMArena 开启公开测试，这是一个在约 15,000 块 NVIDIA H100 GPU 上完成预训练和后训练的 MoE 模型，未来数周将逐步用于 Copilot 的部分文本场景。
匹配字段标题、摘要
Mistral AI 发布 Voxtral 语音理解模型，包括面向生产应用的 24B 版本和面向本地及边缘部署的 3B 版本，均采用 Apache 2.0 许可证。模型支持 32k Token 上下文、最长 30 分钟转录或 40 分钟理解，并提供音频问答、摘要、多语言识别和语音 Function Calling。模型可从 Hugging Face 下载或通过 API 使用，价格为每分钟 $0.001 起。
匹配字段标题、摘要
Cartesia 推出 Ink 系列流式语音识别模型，首发 Ink-Whisper 基于 OpenAI Whisper 优化，面向实时语音智能体。Ink-Whisper 在背景噪声、专有名词、口音等场景下 WER 优于 whisper-large-v3-turbo，并实现最低 TTCT，价格为 1 credit/秒（Scale 计划 $0.13/小时）。
匹配字段标题、摘要
Cartesia 宣布完成由 Kleiner Perkins 领投的 6400 万美元 A 轮融资，并发布语音生成模型 Sonic 2.0。Sonic 2.0 基于新的状态空间模型架构，规模是前代两倍，全模型延迟 90ms、turbo 40ms，在 100 个保留声音的盲测中偏好度是次优提供商的 1.5 倍。同时推出 Voice changer 和 Infill 两个新端点，API 提供 99.9% 可用性并支持实时本地与端侧部署。
匹配字段标题、摘要
Cartesia 发布低延迟语音模型 Sonic，模型延迟为 135ms，可生成逼真语音。该模型基于状态空间模型架构，在实验中相比 Transformer 实现将时间到首音频延迟降低 1.5 倍、实时因子降低 2 倍、吞吐量提高 4 倍，并提供 Web playground 和低延迟 API。
匹配字段标题、摘要
OpenAI 将 GPT-4o 免费提供给 ChatGPT 用户，并推出具有人类级响应速度和表现力的新语音及视频模式。Sam Altman 表示，这种交互快速、自然且实用，未来还将加入可选的个性化、信息访问和代用户执行操作等能力。
匹配字段标题、摘要
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并在 HLE-Diamond、TB-Science 等 9 项评测中的 4 项领先。该模型主打网络安全与长周期任务，宣称在 SEC-bench Pro 上取得 88.2%、ExploitGym 上 54.8%、CWE-bench 上 71.0%，初期仅通过 Fairwind Program 向可信网络安全人员开放。规格上支持 1M token 上下文与 1M 最大输出，输入覆盖文本、图像、视频和语音，输出为文本；Artificial Analysis 列出的标准价格为每百万输入/输出 token 4/20 美元，另有 50% 上线折扣。
匹配字段摘要、正文
NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint，支持 40 种语言转写、31 种语言与英文互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。该模型在 Hugging Face Open ASR Leaderboard 英语榜的开放权重模型中排名第一，平均 WER 为 5.33%，在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER。同时发布的 Granary v2 覆盖 48 种语言、463,062 小时语音数据，配套 NeMo Speech 微调配方在医疗案例中把留出说话人的 WER 从 22.44% 降到 12.17%。
匹配字段摘要、正文