Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，即日起通过 Gemini API、Google Workspace 和 Gemini 应用开放。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。
匹配字段摘要
OpenAI 在 API 中推出 GPT-Live-1，开发者可用它构建自己的语音应用。该模型采用新版 ChatGPT 语音所用的双工技术，支持语音智能体边说边听，并搭配开发者选择的模型与工具体系。
匹配字段摘要
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首个实时音频感知模型，支持实时流式 ASR、20 人以上说话人分离和端点检测，并具备多语言与无缝语码切换能力，可通过语言、关键词和上下文偏置提升准确率。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。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 RL 实现自适应延迟，已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。
匹配字段摘要
Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。
Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。 · Gemini 3.5 Transcribe is now available via API for building apps that understand user speech and intent, including conversations with multiple speakers. It automatically detects 85+ languages, supports custom vocabulary adaptation for specialized jargon, and is available through Google AI Studio, Gemini Enterprise, the Gemini app on
匹配字段摘要
微软 AI 宣布 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 进入公开预览。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%。
匹配字段摘要
xAI 宣布 Grok Imagine Video 1.5 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。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。
匹配字段摘要
Zyphra 发布 ZONOS2，一个 Apache 2.0 许可的实时文本转语音模型，具备高保真声音克隆能力，采用 9 亿激活参数、80 亿总参数的稀疏 MoE 架构，是首个开源 MoE TTS 模型。相比 Zonos-v0.1，训练数据从约 20 万小时扩展到超 600 万小时，模型规模从 1.6B 增至 8B，实时吞吐提升 4 倍，并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 还提出新的 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。
匹配字段摘要
微软 MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。首个推理模型 MAI-Thinking-1 为 35B 激活参数 MoE，256K 上下文窗口，AIME 25 得分 97%，SWE Bench Pro 53%，官方称未做知识蒸馏。编码模型 MAI-Code-1-Flash 仅 5B 参数，SWE Bench Pro 51%，今日起在 VS Code 中逐步向约 10% 个人用户推送。
匹配字段摘要
阿里千问团队发布 Qwen3.5-LiveTranslate-Flash，这是基于 Qwen3.5-Omni 的实时同传模型，可同时理解语音与视觉上下文。相比前代 Qwen3-LiveTranslate，输入音频与输出文本语言从 18 种扩展到 60 种，输出音频语言从 10 种增至 29 种，语音到语音平均每 token 延迟降至 2.8 秒。模型新增实时语音克隆与热词增强能力，支持通过 DashScope API 接入。
匹配字段摘要
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 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。
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 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。 · Google DeepMind introduced Gemini Omni, whose first model, Gemini Omni Flash, accepts image, audio, video and text inputs to generate high-quality videos and supports multi-turn editing through natural-language conversation. It is rolling out to the Gemini app, Google Flow and YouTube Shorts,
匹配字段摘要
小米 MiMo 发布 MiMo-V2.5-TTS 系列三款语音合成模型，并开源语音识别模型 MiMo-V2.5-ASR。TTS 系列共享三项能力：强指令跟随、内联音频标签控制、纯文本下的节奏与情绪理解；三款模型分别面向内置高质量音色、用自然语言描述生成全新音色、以及用几秒参考音频克隆音色。TTS 系列在小米 MiMo API 平台限时免费，并已开源 MiMo TTS Skills 以便集成到智能体应用。
匹配字段摘要
阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable_search 参数开启联网搜索。
阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable search 参数开启联网搜索。
匹配字段摘要
蚂蚁百灵发布全模态大模型 Ming-flash-omni-2.0，基于 Ling-2.0（MoE 架构，100B-A6B）训练，相比 Preview 版本在全模态能力上有明显提升。该模型覆盖视觉百科识别、可控语音生成与图像生成编辑分割，官方称其为业界首个将语音、音效和背景音乐生成融为一体的模型，并首创将生成、编辑、分割融入单一原生模型。模型权重和推理代码已开源。
匹配字段摘要、正文
Qwen3-TTS 家族发布两个新模型：音色设计模型 Qwen3-TTS-VD-Flash 和音色克隆模型 Qwen3-TTS-VC-Flash，均可通过 Qwen API 调用。VD-Flash 支持用自然语言指令控制音色、韵律、情感与角色设定，在 InstructTTS-Eval 上整体优于 GPT-4o-mini-tts 和 Mimo-audio-7b-instruct，并在角色扮演测试中超过 Gemini-2.5-pro-preview-tts。VC-Flash 支持 3 秒音色克隆，可基于克隆音色生成中文、英语、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语和俄语 10 种语言语音，在 MiniMax TTS Multilingual Test Set 上平均词错误率优于 MiniMax、ElevenLabs 和 GPT-4o-Audio-Preview。
匹配字段摘要、正文
Zyphra 发布 Zonos-v0.1 beta，包含两款 1.6B 文本转语音模型，分别为 transformer 和 SSM hybrid，均以 Apache 2.0 许可开源，权重已上线 Hugging Face，推理示例代码在 GitHub。模型基于约 20 万小时语音数据训练，支持 5 至 30 秒音频的高保真语音克隆，可调节语速、音高、音质和情绪，原生输出 44KHz 音频。Zyphra 称其生成质量可媲美或超过领先的闭源 TTS 模型，并给出 API 每分钟 0.02 美元的定价。
匹配字段摘要
2026年10月30日,Edge0发布开源权重语音克隆TTS模型Audio8-TTS-Realistic。据MarkTechPost报道,该模型参数规模为601M,支持23种语言,权重与代码以Apache 2.0发布。模型只需1段参考音频及对应文本即可零样本克隆音色,也可在无参考音色时直接生成语音。自报结果显示,其在CV3九语言上平均错误率为4.86%,低于Qwen3-TTS-1.7B的7.73%;但在MiniMax基准上落后于4B级模型,泰语WER达48.57%。目前尚无后续进展。
匹配字段标题
2026年10月30日,Edge0发布开源权重语音克隆TTS模型Audio8-TTS-Realistic。据MarkTechPost报道,该模型参数规模为601M,支持23种语言,权重与代码以Apache 2.0发布。模型只需1段参考音频及对应文本即可零样本克隆音色,也可在无参考音色时直接生成语音。自报结果显示,其在CV3九语言上平均错误率为4.86%,低于Qwen3-TTS-1.7B的7.73%;但在MiniMax基准上落后于4B级模型,泰语WER达48.57%。目前尚无后续进展。
匹配字段标题
Artificial Analysis 的评测显示,Phonic 的 Phonic 1(High)在 Speech to Speech Index 的 22 个模型中以 87.1 分排名第一,以微弱优势领先 xAI 的 Grok Voice 3.0(86.9 分)。同一评测中,Phonic 1 在 Tau Voice 智能体任务上以 79.9% 排名第一,领先第二名 5.4 个百分点;Big Bench Audio 以 98.9% 排第三,首音频延迟为 0.61 秒。Phonic 1 通过 Phonic API 提供,输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。另有报道称,Phonic 是一家 10 人创业公司,其称 Phonic-1 可在通话者尚未说完时执行查询和预订;该报道还提到,Phonic 称其在 Cekura 通话测试集得 90.2 分,而 Cekura 公开榜单列出的 Phonic v1 为 68.3%。
匹配字段标题
Artificial Analysis 的评测显示,Phonic 的 Phonic 1(High)在 Speech to Speech Index 的 22 个模型中以 87.1 分排名第一,以微弱优势领先 xAI 的 Grok Voice 3.0(86.9 分)。同一评测中,Phonic 1 在 Tau Voice 智能体任务上以 79.9% 排名第一,领先第二名 5.4 个百分点;Big Bench Audio 以 98.9% 排第三,首音频延迟为 0.61 秒。Phonic 1 通过 Phonic API 提供,输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。另有报道称,Phonic 是一家 10 人创业公司,其称 Phonic-1 可在通话者尚未说完时执行查询和预订;该报道还提到,Phonic 称其在 Cekura 通话测试集得 90.2 分,而 Cekura 公开榜单列出的 Phonic v1 为 68.3%。
匹配字段标题
匹配字段标题