Nvidia 发布免费开源权重模型 Nemotron 3.5 Transcribe，可转写最多 40 种语言的音频，并同步推出开源语音数据集 Granary 第 2 版。该模型支持 31 种语言与英语互译、处理最长一小时的录音、区分最多 8 位说话人，Nvidia 称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。模型为 300 亿参数，可运行在 Jetson AGX Thor、DGX Spark 及 Blackwell 数据中心芯片上，但只支持录音音频，不支持直播流。
匹配字段摘要、正文
Gradium 开源 Phonon 端侧语音合成模型套件，全部模型参数在 50m 以下，主打多语言自然度与准确度，并称提供迄今最广的推理支持。其中 Phonon-31m 以 Apache 2.0 许可开放。Matt Turck 转发了这一消息。
匹配字段摘要、正文
蚂蚁 inclusionAI 在 GitHub 开源 Ming-3.0-audio-flash 原生音频模型，采用 126B 参数 MoE 架构、激活参数 6.5B，另有 9.3B 参数、激活 2.7B 的 Ming-3.0-audio-tiny 版本。模型覆盖中英文多方言口音识别、长音频理解、音频推理和端到端语音对话，支持 vLLM-Omni、SGLang 与 Transformers 三种推理方式，采用 MIT 许可。
匹配字段摘要、正文
Inception Labs 发布扩散语言模型 Mercury 3，称在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5，在 NVIDIA GPU 上达到 1,068 tokens/s，速度是后两者的 4–8 倍。Mercury 3 参数量比 Mercury 1 大 40 倍以上，上下文窗口从 Mercury 2.5 的 260K 提升到 1M，官方称从 Mercury 1（mini）到 Mercury 3 的基准智能水平提升 3 倍。该模型已在 Inception API Platform 及 OpenRouter、Baseten、Vercel 上线，兼容 OpenAI API，早期合作伙伴已将其用于语音与客服、实时辅导、数据工程和网页导航。
匹配字段摘要
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
匹配字段摘要
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数的开放模型，面向常驻智能体任务，官方称其在同类开放模型中吞吐最高，比次优模型快 5 倍，准确率接近 NVIDIA 最大推理模型而参数量约为其五分之一。同时推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者用原生 2-bit 量化塞进 24GB 显存，可在 RTX/DGX Spark 本地运行智能体任务，后者面向 GeForce RTX、Jetson 上的语音与对话智能体。Super VL 与 Bolt 74B-A9B 已上线 Hugging Face，Bolt E4B 将于 10 月 23 日发布；Super VL 还提供开放权重、开放数据集和训练配方，支持企业用自有数据后训练。
匹配字段摘要
Fish Audio 发布开源权重文本转语音模型 Drama 3 Preview，在 Artificial Analysis 文本转语音榜单上成为排名第一的开源模型。该模型在发音鲁棒性榜单以 93.2% 居首，超过 Eleven v4 的 91.7% 和 Eleven v4 Turbo 的 90.1%；Provider Voice 榜单 Elo 为 1,243，排名第 10，较上一代 S2.1 Pro 的 1,142 提升 101 分。Drama 3 是 35B 参数的 MoE 模型（3B 激活），支持 83 种语言，权重以 Fish Audio Community License 在 Hugging Face 发布，API 定价为 $15/1M characters。
匹配字段摘要
FireRedTeam 开源 FireRedAudio，一个基于共享 9B 参数 LLM 的通用音频语言模型，采用解耦的连续表示，Audio Encoder 负责理解、RedAE 通路负责生成。单模型覆盖 ASR、音频理解、零样本 TTS、Instruct TTS、语义与声学语音编辑，并支持对最长约一小时录音做精确时间对齐。项目以 Apache-2.0 许可发布，需 Python 3.10 与 uv，默认面向 CUDA 12.8；除 ASR 外，语音生成与音频理解仅支持中英文。
匹配字段摘要
Apple 发布第三代 Apple Foundation Models（AFM），共五款模型，覆盖端侧与运行在 Private Cloud Compute 上的服务器模型。端侧包括 30 亿参数的 AFM 3 Core 和 200 亿参数、稀疏架构的 AFM 3 Core Advanced，后者每次仅激活 1 至 40 亿参数；服务器端包括 AFM 3 Cloud、图像模型 ADM 3 Cloud 和 AFM 3 Cloud Pro。评测显示 AFM 3 Core 在通用文本上获得 45.6% 的偏好率，AFM 3 Cloud 为 64.7%，AFM 3 Core Advanced 的语音合成 MOS 得分为 4.15。
匹配字段摘要
字节 Seed 发布 Seed Audio 1.0，这是一个在统一框架内生成语音、音效、环境音等场景级音频元素的音频创作模型，现已通过 BytePlus 开放使用。模型支持提示词级对话时间控制，当前精度为 100 ms 间隔，单次可生成最长两分钟音频并支持续写，覆盖中文、英语、日语等 20 多种语言。评测显示多数场景可用音频率超过 90%，多语言自然度 MOS 多数高于 4.0。
匹配字段摘要
Inception 发布 Mercury 2，称其为全球最快的推理语言模型，采用扩散式并行精炼而非自回归逐 token 解码，生成速度提升超过 5 倍。官方数据为 NVIDIA Blackwell GPU 上 1,009 tokens/sec，定价 $0.25/1M 输入 token、$0.75/1M 输出 token，支持可调推理、128K 上下文、原生工具调用和 schema 对齐的 JSON 输出，并兼容 OpenAI API。该模型面向编码补全、智能体循环、实时语音和搜索 RAG 等延迟敏感场景，现已可用。
匹配字段摘要
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 <laughs>、|mhm| 等自然提示，连续生成数小时无故障音频。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。
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款音频模型，支持 100+ 语言的自定义音色或从 2,000+ 预设音色中挑选，可逐行控制语气并加入 、|mhm| 等自然提示，连续生成数小时无故障音频。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。
匹配字段摘要
Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两款模型，共五款模型覆盖音频理解、生成、交互与创作。ASR-Next 支持带说话人标签、时间戳的多说话人识别，还能理解情绪、环境音与机器声，用于声音描述、事件定位和音频问答；TTS-Next 采用 LM 加扩散模型统一框架，一次生成语音、音效与背景音，面向有声书、播客、游戏和广告。官方同时公布全线降价，TTS 约降 70%、Realtime 约降 85%、ASR 最高降 95%，更多 API 即将上线。
匹配字段摘要
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持从零生成自定义角色声音并逐句控制口音与情绪，已接入 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids。Gemini 3.8 Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分位列第一，口音建模得分 60.8，两款模型分列 Hume AI Overall Quality Index 第一和第二，支持超过 100 种语言。声音复刻需提供声音所有者的口头同意录音，所有生成音频均嵌入 SynthID 水印。
匹配字段摘要
Qwen 发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，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。
匹配字段摘要
Qwen 发布下一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度与简洁度。新增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翻译一致。官方同时给出博客与 QwenCloud 试用入口。
匹配字段摘要
阶跃星辰发布 StepAudio 3 系列，包含实时语音、语音识别、语音生成、音频生成和音乐共 5 款音频模型。其中 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。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。
匹配字段摘要
阶跃星辰发布 StepAudio 3 系列 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。其中 Realtime 在 Artificial Analysis 的 Conversational Dynamics（98.9%）和 Speech Reasoning（99.7%）两项排名第一，ASR 的 WER 为 1.7%，与榜单最佳结果持平。官方称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，现已开放 Voice AI Lab 和 API。
匹配字段摘要
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，延续上月 3.5 Transcribe 之后对实时语音智能体的投入。官方给出的数据包括 Artificial Analysis Quality Index 82.6 排名第一、输入 $0.005/min 与输出 $0.018/min，以及 τ-banking 智能体任务完成率 35.1 排名第一。3.8 Live Extended Thinking 可在后台思考并异步执行工具调用，同时保持对话不中断，用于协调多步工具使用。该模型已在 Google AI Studio 的 Gemini API、Google Search 和 Gemini App 上线，也可通过 LiveKit、Pipecat、LangChain、Vercel 的合作伙伴插件使用。
匹配字段摘要
Google 发布两款 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，主打更自然的语音对话与任务执行。Gemini 3.8 Live 面向规模、速度和成本效率，支持句中打断、在 97 种语言间即时切换并理解视觉上下文，可在 Search Live 中对着摄像头拍摄故障处获取分步语音指导。Gemini 3.8 Live Extended Thinking 面向更复杂任务，边推理边说话，并能叙述自己的执行进度，用于活动策划等多步骤项目。
匹配字段摘要