Sierra 发布 𝜏-i18n，将 𝜏-Voice 扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种语言，沿用相同的航空、零售和电信任务、策略、工具与成功标准，以便跨语言比较。在 2,700 通主通话中，西班牙语、印地语、葡萄牙语的任务完成率平均落后英语 2.4、3.8、6.4 个百分点，韩语和普通话分别落后 22.6 和 9.1 个百分点，韩语是三个智能体中表现最弱的语言。除任务完成外，𝜏-i18n 还单独报告交互指标（响应时机、选择性、工具调用效率）和生成质量（自然度、语音保真度），并已开源代码库和语言包框架 LanguageFactory。
匹配字段标题、摘要
2026年10月22日,Sierra发布τ-i18n,将τ-Voice评测扩展到西班牙语、巴西葡萄牙语、印地语、韩语和普通话五种语言,并沿用相同的航空、零售和电信任务、策略、工具与成功标准,以便跨语言比较。在2,700通主通话中,西班牙语、印地语、葡萄牙语的任务完成率平均分别落后英语2.4、3.8、6.4个百分点,韩语和普通话分别落后22.6和9.1个百分点,韩语是三个智能体中表现最弱的语言。除任务完成外,τ-i18n还单独报告响应时机、选择性、工具调用效率等交互指标,以及自然度、语音保真度等生成质量指标,并已开源代码库和语言包框架LanguageFactory。
匹配字段标题
Sierra 推出 𝜏-i18n
English translation is being prepared.
匹配字段标题
Hugging Face 发布研究，用共识分歧、掩码实体检索和拼写切换三类探针测试语音识别模型，发现部分模型会依据声学线索识别基准来源并复现参考文本中的错误。在 VoxPopuli 上，方法标记出约 40% 测试片段可能存在参考错误，涉及约 3% 的参考词；表现基准优化的模型有 18–30% 的概率复现错误参考文本，且 WER 最低的模型反而最容易复现这些错误。在 LibriSpeech 上，部分强模型在数字被静音后仍有约 30–40% 的样本还原出被掩码的数字，拼写切换探针中多个模型超过 50% 随机基线，部分达到约 90% 切换准确率。研究建议使用完全留出的评测集，Open ASR Leaderboard 已新增 Benchmark fitting 标签页，相关脚本与未归一化模型输出已在 GitHub 开源。
匹配字段标题、摘要
Real World VoiceEQ 以超过 100 万次人工评分评估 40 多个专有及开源语音模型，覆盖 ASR、TTS、S2S 和语音理解的 15 多个维度、60 多项指标。评测显示，没有单一模型在所有能力上领先，许多系统更擅长说而非听，且在口音、噪声、情绪和长对话等真实场景中的表现低于传统基准所呈现的水平。自动评估器适合答案明确的任务，但涉及声学语境、感知和社会解释时仍无法取代人类听众。
匹配字段标题、摘要
Hugging Face 发布 Real World VoiceEQ语音AI评测基准
English translation is being prepared.
匹配字段标题
Google 发布 EmbeddingGemma 2 论文，这是一个 Apache 2.0 许可的端侧多模态嵌入模型，把文本、代码、图像、音频和视频映射到同一向量空间。模型基于 Gemma 4 构建，通过向更大的 Gemini Embedding 2 学习并用对比训练调优，744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整多模态模型约 567MB，上下文窗口扩大 4 倍至 8K tokens，可容纳约 5.5 分钟音频、29 张图像或 58 帧视频；直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54，高于先转写再检索的 57.59，代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。
匹配字段摘要、正文
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段摘要
匹配字段标题
Google 发布 EmbeddingGemma 2 论文,介绍一个 Apache 2.0 许可的端侧多模态嵌入模型,把文本、代码、图像、音频和视频映射到同一向量空间。该模型基于 Gemma 4 构建,通过向更大的 Gemini Embedding 2 学习并用对比训练调优,744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上,量化后的文本权重占用约 191MB 活跃内存,完整多模态模型约 567MB,上下文窗口扩大 4 倍至 8K tokens,可容纳约 5.5 分钟音频、29 张图像或 58 帧视频;直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54,高于先转写再检索的 57.59,代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。目前尚无后续进展。
匹配字段摘要
人工智能语言公平研究联盟上月发布的研究发现，AI 模型处理不同语言时消耗的 Token 数量差异悬殊，在其中一个模型中最多相差 17 倍。研究称互联网最常用的 20 种语言之间 Token 消耗量已相差 1.5 至 5 倍，扩大到 200 种语言后差距进一步拉大，研究人员将这部分额外成本称为隐性的“分词器税”。Token 消耗增加不仅推高费用，还会拖慢响应速度、压缩可用上下文，研究者建议 AI 实验室公布各语言评估结果并改进下一代分词器设计。
为 AI 产品的基本要求。“要求所有语言获得完全平等的待遇或许不现实，但长期存在的巨大差距仍需合理解释，并制定改进计划。我希望所有主要 AI 实验室都能公布各语言的评估结果，说明使用不同语言完成相同难度的任务分别需要花多少钱，并承诺改善支持最薄弱的语言，取得可以量化的进展。” IT之家从报道中获悉，改善这一问题的办法之一，是提高底层数据的质量。 孟买 AI 语音基础设施初创企业 Navana.ai 联合创始人兼 CEO 拉乌尔 · 纳纳瓦蒂认为：“开放数据项目在这方面很重要。比如我们与印度科学学院合作、由盖茨基金会资助的 RESPIN 项目，就收集了 38 种方言母语使用者提供的文本和朗读录音。” 不过，人工智能语言公平研究联盟发现，决定 Token 消耗量的并不只有一种语言的使用人数，采用什么文字同样重要。 例如，阿斯图里亚斯语的使用者不多，在 Common Crawl 数据集中也没有收录，但拉丁字母为其带来了优势。意大利语等同属罗曼语族的语言在数据中有所覆盖，也让阿斯图里亚斯语受益。 Maya Research CEO 迪曼特 · 雷迪指出，现有许多分词器仍然主要针对英语等数据资源
匹配字段正文
Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,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;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在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计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。
匹配字段摘要
2026年9月24日,Meta发布并介绍由Muse Realtime Voice与Muse Realtime Avatar组成的统一流式架构。据Meta介绍,二者通过共享语音token流连接:前者生成编码内容与韵律的语音token,后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文,在任意对话长度下保持有界计算,同时生成同步的语音、唇动与表情。团队将带3-way CFG、每段视频需120次评估的40步扩散教师模型蒸馏为无引导的2步因果学生模型,配合固定长度KV cache与self-forcing,以少60倍的评估次数接近教师质量。Meta还称,在自家实时通话产品中与两个商用化身系统对比,Muse Realtime Avatar在整体偏好上领先。目前尚无后续发展事实。
匹配字段摘要
谷歌 DeepMind 发表论文《A team of Gemini 4 Argon agents beats Minecraft》，四个 Gemini 4 Argon 编程智能体在随机生成的《我的世界》生存世界中自主分工，累计死亡 605 次、编写 2783 段程序，用 27 小时 14 分钟击败末影龙。实验使用 Minecraft Java 版 1.20.4、Easy 难度、随机地图且不开作弊，智能体通过 Mineflayer 读取环境并编写 JavaScript 指挥角色，全程约 24000 次模型调用、13.5 亿输入 Token，其中 91% 来自上下文缓存。作者指出约 22% 的游戏程序出现错误、服务器重启 6 次，论文未通过多次随机地图重复测试证明稳定通关，按优惠 API 价格估算通关成本约 520 美元。
所报告的第一项成果就是在标准 Mineflayer 接口下，在没有任何预览地图的情况下，在没有任何专门为游戏设计的工具或者任务策略的情况下，由普通的智能体自己完成了从头到尾的游戏通关。 2026 年 6 月的时候，KRAFTON 和 NVIDIA 就推出了 PUBG Ally 的限时测试活动，在其中加入了人工智能作为队友来帮助玩家完成游戏任务。玩家可以使用语音命令让 AI 去搜寻武器、收集物资并参与战斗。 同样是利用了大模型的理解和规划能力，将游戏系统的实际操作接口连接起来。 从结果看，人工智能还不能算作是稳定的。大约有 22% 的游戏程序出现了错误，服务器也重启了 6 次。 它们最终成功了，但这也只是一场成功实验。论文没有通过足够多次的随机地图重复测试，证明它们可以稳定通关。 再加上 27 个小时内大约 24000 次模型调用，按照优惠后的 API 价格来计算的话还需要花费大约 520 美元的通关费用，如果要用它来进行代练的话，那么首先得算一下这笔账。 迫不及待地想要用大模型来代替自己打游戏的玩家可以先不用着急，至少现在，游戏手柄和键盘，暂时还牢牢掌握在人类手里。 论文链接在这里，
匹配字段正文