#语音

Edge0 发布 0.6B 语音克隆 TTS 模型 Audio8-TTS-Realistic，支持 23 种语言并采用 Apache 2.0 开源

Edge0 发布开源加权 TTS 模型 Audio8-TTS-Realistic，601M 参数，可从 1 条参考音频和转录文本零样本克隆声音，支持 23 种语言，权重和代码以 Apache 2.0 发布。

ElevenLabs@ElevenLabs· 02:08AI 评分4545

大场面很少只靠一个声音，所以我们打造了 SFX v3，让它能处理前所未有的更多内容。 我们最新的模型让你只需一段文本提示词，就能创建更丰富、更精确的音效，音乐和人声也有所提升。 现已在 @ElevenCreative 和 ElevenAPI 中上线。

Rohan Paul@rohanpaul_ai· 01:57AI 评分5656

10 人初创公司 Phonic 发布语音到语音模型 Phonic-1，官方称其为唯一能在来电者说到一半时就执行查询和预订的语音模型。

Artificial Analysis@ArtificialAnlys· 00:23AI 评分5858

Artificial Analysis 评测 Phonic 的 Phonic 1 (High)，以 87.1 分在 22 个模型中登顶语音到语音指数，微弱领先 Grok Voice 3.0（86.9）。

Artificial Analysis@ArtificialAnlys· 23:22AI 评分6565

Artificial Analysis 评测 Fish Audio 发布的 Drama 3：在两个 Speech Arena 均为开源权重模型第一，Provider Voice Elo 1,278、Controlled Voice 1,085，Pronunciation Robustness 以 94.6% 位列全部模型第一。

Block 发布 Dessa：仅用语音训练的全双工语音模型

Block 发布研究预览版 Dessa，一款仅用人类对话音频训练的全双工语音到语音模型，不使用文本和预训练模型。它用 1 台 NVIDIA GB200 NVL72（72 块 GPU）训练，可在 MacBook Pro M4 Max 及以上本地运行且快于实时。目前仅有演示，未公布 benchmark 分数、参数量、权重、论文或 API，需申请 waitlist。

英伟达发布开放权重转录模型 Nemotron 3.5 Transcribe，支持 40 种语言并开源数据管线 Granary v2

英伟达于 10 月 28 日发布开放权重语音转录模型 Nemotron 3.5 Transcribe，并公开训练数据管线 Granary v2。

NVIDIA 发布开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言、约 4.3B 激活参数

NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，单模型支持 40 种语言、最长 1 小时音频的转录，可内置输出说话人标签、词级时间戳和翻译。

ElevenLabs@ElevenLabs· 04:01AI 评分5454

ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言。Cue 单模型可一次处理任意长度的录音，在单张 GPU 上约半秒对齐一小时音频，已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独使用。

Artificial Analysis@ArtificialAnlys· 01:08AI 评分5555

Artificial Analysis 评测了 AssemblyAI 发布的首个语音合成模型 AssemblyAI-TTS-1。该模型在 Provider Voice Arena 以 Elo 1,227 排名第 12，在 Controlled Voice 排名第 10，发音鲁棒性得分 81.7% 排名第 16。

Nvidia 开源 Nemotron 3.5 Transcribe 语音识别模型，集成转写、翻译和说话人识别

Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，可转写 40 种语言、在 31 种语言与英语间互译、识别最多 8 个说话人，支持最长 1 小时的录音，并能通过提示词控制输出或回答音频内容问题。

Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe，支持 40 种语言

Nvidia 发布免费开放权重的语音转写模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，可处理最长 1 小时的录音并区分最多 8 个说话人，还同步发布了第 2 版开源语音数据集 Granary。

Artificial Analysis@ArtificialAnlys· 23:35AI 评分5757

NVIDIA 发布开放权重语音转文本模型 Nemotron 3.5 Transcribe，在 Artificial Analysis 非流式榜单上以 2.8% WER 与 Mistral Voxtral Small 并列开放权重第一，总参数 30B、激活 4B。

NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe 及 Granary v2 数据管线

NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe，现已在 Hugging Face 和 ModelScope 提供，单一模型支持 40 种语言转写、31 种语言翻译、13 种语言说话人分离和音频问答，可处理最长一小时、最多 8 个说话人的录音。

Artificial Analysis@ArtificialAnlys· 06:38AI 评分4141

Cartesia Managed Agents 在 Artificial Analysis Speech Agent Arena 上取得 1115 的 Elo，比此前的语音智能体产品 Cartesia Line（1017）高 98 分，任务成功率从 77.5% 提升至 91.7%。

Google DeepMind 发布实时交互世界模型 Genie 4

Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。

腾讯混元同声传译大模型 Hy-SimulMT 开源，实测响应约 3 秒

腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，响应时间实测约 3 秒，低于人类专业译员 4-5 秒的平均水平，并支持实时音色克隆。该模型在腾讯 Hy 翻译 App 首发免费体验；在长音频评测集 RealSI 上延迟最低且效果达开源模型最佳，团队还邀请 6 位持 CATTI 一二级证书的人类同传专家对比测评，称其在翻译质量上达到专家水平且时延更低。

Tencent Hy@TencentHunyuan· 21:13AI 评分5757

腾讯混元宣布开源实时中英同声传译模型 Hy-SimulMT。官方称其延迟约 3 秒、准确率高、支持实时声音克隆，性能超过多数开源模型和商业 API。模型已在 Hugging Face、ModelScope 和 GitHub 提供，可下载试用和开发。

腾讯混元开源同声传译大模型 Hy-SimulMT，实测效果超主流商用 API

10 月 26 日，腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，实测响应时间约 3 秒，低于人类专业译员平均的 4-5 秒。

Block 发布全双工语音模型 Dessa，支持 M4 Max 及以上 MacBook 本地运行

Jack Dorsey 旗下 Block 公司推出全双工语音模型 Dessa，可边说话边收听用户语音，能模拟笑声、停顿、哽咽等情绪表达，完全基于人类语音数据训练，知识来自训练对话数据而无需搭配大语言模型。

Block 发布本地运行的全双工语音模型 Dessa

Jack Dorsey 旗下 Block 的研究实验室发布语音模型 Dessa，可在单块 NVIDIA GPU 上本地运行，支持全双工对话，能同时说和听。模型完全基于人类语音训练，带有笑声、停顿、哭泣等情感表达，官方称其知识来自对话数据而非搭配大语言模型。该模型可在 MacBook M4 Max 等消费级电脑上运行，目前尚未公开，Block 正招募安全研究员测试。

Block 推出纯语音训练 AI 模型 Dessa，可实时识别情绪与讽刺

Block 发布 AI 语音模型 Dessa，称其为首个完全基于人类语音、不含任何文本数据从零训练的模型，直接以音频处理语音而非先转文字，可实时捕捉情绪、讽刺、笑声和停顿。Dessa 支持全双工交流，可在 MacBook Pro M4 Max 本地运行，训练使用单台 NVIDIA GB200 NVL72。该模型尚未公开，团队正招募 AI 安全研究人员测试潜在风险。

NVIDIA 发布开源小模型 Nemotron 3.5 Bolt E4B 4GB，面向本地语音助手、游戏角色和机器人

NVIDIA 发布开源小语言模型 Nemotron 3.5 Bolt E4B 4GB，基于 Google 的 Gemma 4 E4B 仅用强化学习做后训练、不用 SFT，面向 RTX、Jetson 和 DGX Spark 等本地硬件上的语音助手、游戏 NPC 和机器人。

Jack Dorsey 旗下 Block 发布纯语音对话模型 Dessa

Jack Dorsey 旗下 Block 发布名为 Dessa 的语音 AI 模型，称其完全从零只用人类对话训练，是真正的语音到语音模型。示例对话显示交互自然但偶有尴尬和错认，团队称其可在 MacBook Pro M4 Max 或更高配置上本地运行，并将向一小群 AI 安全研究者开放早期访问。

Artificial Analysis@ArtificialAnlys· 05:29AI 评分5757

Artificial Analysis 评测称 Ant Group 的 Ming-3.0-tts 以 0.5B 参数在语音合成质量上达到顶级水平，且采用 MIT 许可。该模型是其 Controlled Voice Arena 排行榜前 3 中唯一小于 1B 参数的模型，前十的其他开源权重 TTS 模型均为 3.5B 或更大，即它以 7 倍到 70 倍更少的参数达到同等水平。

Gradium 开源 31M 参数端侧 TTS 模型 Phonon 31m，采用 Apache 2.0 许可证

Gradium（从 Kyutai 分拆的巴黎语音 AI 公司）开源 Phonon 端侧 TTS 模型家族，其中英文 Phonon 31m 为 31M 参数、64.5 MB q8 GGUF，采用 Apache 2.0 许可证，无需 GPU 或云端调用即可在 CPU、手机、树莓派 5 和浏览器上运行。

IBM 发布开源语音模型 Granite Speech 5.0 2B，支持 6 种语言转写与翻译

IBM 发布开源语音语言模型 Granite Speech 5.0 2B，2B 参数、Apache 2.0 协议，支持 6 种语言的语音转写和 X-to-English 翻译，在 Open ASR Leaderboard 以 5.68% 平均英文 WER 位列开源模型第二，仅次于 Qwen3-ASR-1.7B（5.40%）。

Artificial Analysis@ArtificialAnlys· 01:39AI 评分5454

HeyGen Voice Turbo 以 Elo 1,202 登顶 Artificial Analysis 受控语音 TTS 竞技场榜首，在 46 个模型中领先自家上一代 HeyGen Voice（1,196）和 Qwen-Audio-3.1-TTS-Plus（1,185）。

IBM 发布 Granite Speech 5.0 系列语音模型，含 2B 新模型与两个更新版本

IBM 发布 Granite Speech 系列三项更新：新模型 granite-speech-5.0-2b，以及更新版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，均采用 Apache 2.0 许可证。

ElevenLabs 发布两款面向实时 AI 对话的语音到语音模型 Eleven Realtime

ElevenLabs 于 10 月 20 日发布两款语音到语音模型 Eleven Realtime。

Arthur Mensch@arthurmensch· 01:26AI 评分4949

我们刚刚发布了一套全面的 SOTA 语音模型 https://mistral.ai/news/voxtral-3/ 。语音将成为与 AI 系统交互最重要的接口，我们将语音模型部署在物理上靠近推理模型的位置

Artificial Analysis@ArtificialAnlys· 00:55AI 评分6060

Artificial Analysis 评测了 Mistral 发布的 Voxtral 3 语音模型，包括 1 个 TTS 模型和 3 个语音转文本模型。

Artificial Analysis@ArtificialAnlys· 00:24AI 评分6363

Artificial Analysis 评测了 Mistral 新发布的 Voxtral 3 系列语音模型，包括 1 个 TTS 和 3 个语音转文字模型。

Mistral AI@MistralAI· 00:22AI 评分5252

Mistral AI 发布 Voxtral 3 系列，包含 Transcribe 和 Speech 两个语音模型，称其达到业界领先水平。两个模型为 Mistral 新推出的语音智能体 API 提供支持。

ElevenLabs@ElevenLabs· 22:48AI 评分5252

ElevenLabs 发布 Eleven Realtime，一类新的语音到语音（Speech to Speech）模型。官方称语音智能体通常需要在快速回复和准确回答之间取舍，Eleven Realtime 两者兼顾，能在半秒内开始说话，并答对口语推理问题。

Ant Ling@AntLingAGI· 12:32AI 评分4747

感谢 @AdinaYakup 分享 Ming-3.0，帮助更多开发者了解我们五款开源语音模型的可能性！

Artificial Analysis@ArtificialAnlys· 12:01AI 评分6060

蚂蚁集团 LingAGI 团队的开源权重语音合成模型 Ming-3.0-tts 在 Artificial Analysis Controlled Voice TTS Arena 成为开源权重第一名，并登顶发音鲁棒性榜单。

Artificial Analysis@ArtificialAnlys· 10:28AI 评分5858

Artificial Analysis 评测显示，Ant Group 的 Ming-3.0-tts 成为 Controlled Voice TTS Arena 中排名第一的开源权重模型，并以 93.2% 的得分登顶 Pronunciation Robustness 榜单，与 Fish Audio Drama 3 Preview 持平，超过 Eleven v4 的 91.7%。

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别

蚂蚁百灵宣布开源 Ming-3.0 语音系列，共五款模型，覆盖语音合成、音频理解与对话、语音识别三类能力，开发者可按任务选用或组合进工作流。

蚂蚁百灵开源 Ming-3.0 语音系列，提供语音合成、音频理解与语音识别五款模型

蚂蚁百灵开源 Ming-3.0 语音系列，围绕声音创作、长语音分析、业务语音转写三类任务提供语音合成、音频理解与对话、语音识别共五款模型。