Rohan Paul@rohanpaul_ai
#语音
- Rohan Paul@rohanpaul_ai
字节 Seed：Research Feed Seed 全双工语音大模型发布:懂倾听、抗干扰,走向更自然的交互
字节跳动发布原生全双工语音大模型Seeduplex，基于"边听边说"框架实现听说同步交互。相比半双工模型，其在复杂场景下误回复率和误打断率降低50%，抢话比例下降40%，判停延迟缩短约250ms，打断响应延迟缩短约300ms。评测显示，用户通话满意度绝对值提升8.34%，对话流畅度MOS分提升12%。该模型具备精准抗干扰和动态判停能力，可在豆包App最新版本体验。
OpenAI Developers@OpenAIDevs@charlierguo 使用 gpt-realtime-1.5 进行实时演示，语音助手现场调试幻灯片内容，展示该模型在实时语音交互与视觉理解方面的应用能力。
Artificial Analysis@ArtificialAnlysAI 评分5656
Google Gemini@GeminiAppGoogle 官方发起创作征集，邀请用户在评论区分享使用 Gemini 内置 Lyria 3 Pro 功能生成的音乐作品，展示 AI 创作成果。
OpenAI@OpenAI精选ChatGPT 语音模式正式接入 CarPlay，运行 iOS 26.4 及以上版本的 iPhone 用户可在车载系统中使用语音交互功能，目前正在逐步推送中。
引用Gui Ferreira@gsferreiraChatGPT 语音模式应该可以在 Apple CarPlay 上使用
推荐理由：ChatGPT语音模式正式支持CarPlay，开车场景下AI助手随叫随到
Satya Nadella@satyanadella精选
推荐理由：Microsoft CEO 亲自发布 MAI 系列三大新模型，覆盖语音转录、合成与图像生成
Microsoft AI：官方博客精选AI 评分6666 Microsoft AI 发布 MAI-Transcribe-1、MAI-Voice-1 与 MAI-Image-2 三款模型，上线 Microsoft Foundry
Microsoft AI 宣布发布 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2 三款模型，即日起所有开发者可在 Microsoft Foundry 和 MAI Playground 使用。
推荐理由：官方同时给出三款模型的定价和 FLEURS 基准对比数据，开发者可以直接在 Foundry 上手评估适用性。
François Chollet@fchollet
ElevenLabs：BlogAI 评分4141 ElevenLabs 为波兰担任欧盟理事会轮值主席国期间提供 AI 配音
波兰担任 2025 年欧盟理事会轮值主席国期间，理事会总秘书处与 ElevenLabs 合作，将高级别外交记者会配音为英语、法语和波兰语，录音发布在主席国官方 YouTube 频道供观众选择音轨。
美团 LongCat：HuggingFace 新模型精选 LongCat-AudioDiT-1B：高保真波形潜空间扩散式文本转语音模型
美团 LongCat 团队开源的扩散式 TTS 模型摒弃传统的 mel-spectrogram 中间表示，直接在波形潜空间操作，仅通过 Wav-VAE 与扩散骨干网络即可合成语音。该模型修复了训练-推理不匹配问题，并以自适应投影引导替代无分类器引导。最大版本 3.5B 在 Seed 基准实现 SOTA 零样本语音克隆，说话人相似度（SIM）在 Seed-ZH 达 0.818、Seed-Hard 达 0.797，超越此前最优的 Seed-TTS。研究还发现 Wav-VAE 的重建保真度与最终合成质量并非正相关。
推荐理由：美团开源 1B 语音克隆模型，Seed 基准超 Seed-TTS，零样本推理可用
- OpenAI Developers@OpenAIDevs精选
用 gpt-realtime-1.5 为新加坡诊所打造接待员演示，支持与患者自然对话，自动收集就诊信息并完成实时预约，展示语音代理在实际场景中的工作能力。
推荐理由：OpenAI 官方展示 gpt-realtime-1.5 在医疗语音预约场景的实际应用
Demis Hassabis@demishassabis精选引用Google DeepMind@GoogleDeepMind欢迎 Gemini 3.1 Flash Live。🗣️ 我们最新的音频模型带来了更自然的对话体验，并改进了函数调用——使其更加实用且信息更丰富。以下是新功能介绍 🧵
推荐理由：Google发布Gemini 3.1 Flash Live，支持低延迟语音交互与Agent构建
- Google Gemini@GeminiApp引用Google Gemini@GeminiApp
Ready to turn up the volume with Lyria 3 Pro? 🎶 Join us in the Gemini Discord tomorrow (3/26) at 11:30am PDT as Product Manager Joel returns for an encore performance to demo the latest Lyria 3 Pro updates. Join us on Discord now and we'll see you there! http://discord.gg/gemini
Google Blog：AI Google Translate 耳机实时翻译功能登陆 iOS
Google Translate 耳机实时翻译功能正式支持 iOS，可将耳机变为个人实时翻译器。该功能同时面向 iOS 和 Android 用户扩展至更多国家。
Google DeepMind@GoogleDeepMind精选Gemini 3.1 Flash Live 音频模型发布，支持更自然的实时对话，函数调用能力改进，使 AI 助手更实用、信息获取更充分。
推荐理由：Google发布Gemini 3.1 Flash Live音频模型，支持更自然对话与函数调用
- Google Gemini@GeminiApp精选
Gemini Live 底层升级为 Gemini 3.1 Flash Live，响应更快且减少停顿，支持双倍时长对话保持连贯，可根据场景动态调整回答长度和语气。
推荐理由：Google Gemini Live 语音对话重大升级，支持更长上下文与动态语气调整
Sundar Pichai@sundarpichai精选
推荐理由：Google 发布 Gemini 3.1 Flash Live 语音模型，实时 API 已开放试用
Google DeepMind：Blog Gemini 3.1 Flash Live：让语音 AI 更自然可靠
Gemini 推出 3.1 Flash Live 语音模型，通过提升精度、降低延迟，使语音交互更流畅自然且精准可靠。
Google Blog：AI精选 Gemini 3.1 Flash Live：让音频 AI 更自然、更可靠
Gemini 3.1 Flash Live 已上线 Google 全系产品，提供更自然、可靠的实时音频 AI 交互能力。
推荐理由：Google发布Gemini 3.1 Flash Live，提升音频AI自然度与可靠性
- Google Gemini@GeminiApp
Lyria 3 Pro 升级定制功能，提供更长音轨创作空间与更多实验自由度，用户现可在 Gemini 中添加丰富细节以实现完整音乐愿景。
- Demis Hassabis@demishassabis精选
引用Google DeepMind@GoogleDeepMind你现在可以用 Lyria 3 Pro 创作更长的曲目了。🎶 规划前奏、主歌、副歌和桥段，构建长达 3 分钟的高保真作品。🎹
推荐理由：Google Lyria 3 Pro 支持生成 3 分钟结构化音乐，已上线 Gemini App
- Google Gemini@GeminiApp
Lyria 3 Pro 更新演示将于 3 月 26 日上午 11:30 PDT 在 Gemini Discord 举行，产品经理 Joel 返场展示最新功能。
- Google Gemini@GeminiApp
Lyria 3 Pro 正式接入 Gemini，支持生成更长音轨及复杂风格过渡。即日起向 Google AI Plus、Pro 与 Ultra 订阅用户开放。
Cohere Labs：官方研究博客精选AI 评分6565 Cohere 发布开源语音识别模型 Cohere Transcribe，登顶 HuggingFace Open ASR Leaderboard
Cohere 发布开源 ASR 模型 Cohere Transcribe，基于 Conformer 编码器-解码器架构，参数量 2B，支持英语、法语、中文、日语、阿拉伯语等 14 种语言，采用 Apache 2.0 许可证。
推荐理由：原文给出了模型规格、WER 数据和推理吞吐表现，读者可以据此评估它在语音识别工作流中的实际可用性。
Cohere 产品与研究博客AI 评分6363 Cohere 发布开源语音识别模型 Cohere Transcribe，登顶 HuggingFace Open ASR Leaderboard
Cohere 发布开源 ASR 模型 Cohere Transcribe，以 5.42% 的平均 WER 位列 HuggingFace Open ASR Leaderboard 第一，超过 Whisper Large v3、ElevenLabs Scribe v2 和 Qwen3-ASR-1.7B。
OpenAI Developers：BlogAI 评分5959 Perplexity 如何用 Realtime API 为数百万语音会话提供支持
Perplexity 在生产环境使用 Realtime-1.5，为 Comet 和 Perplexity Computer 带来语音交互，每月管理数百万语音会话。
Hugging Face 社区博客精选AI 评分7878 全新语音智能体评估框架EVA发布
ServiceNow AI团队在Hugging Face上发布了语音智能体评估框架EVA。该框架通过标准化测试集与多模态指标，系统评估语音助手在对话理解、任务完成及交互自然度等方面的性能，旨在量化衡量智能体在复杂真实场景下的表现，助力研究人员客观比较不同模型，推动技术优化。
推荐理由：提供语音代理评估标准，帮助开发者优化模型性能和测试效率。
Mistral AI：News精选AI 评分6464 Mistral AI 发布 Voxtral TTS 语音生成模型并开放权重
Mistral AI 发布 4B 参数的文本转语音模型 Voxtral TTS，支持 9 种语言，3 秒参考音频即可适配新声音。人类评测显示其自然度优于 ElevenLabs Flash v2.5 并与 ElevenLabs v3 质量相当，10 秒样本加 500 字符输入的模型延迟为 70ms。
推荐理由：官方发布首个 TTS 模型，给出了人类评测对比、延迟数据和开源权重入口，可了解其与 ElevenLabs 的实际差距。
- Google Gemini@GeminiApp
在 Gemini 应用中直接生成个性化闹钟音乐，创建真正能叫醒你的专属铃声。无需专业工具，用 AI 定制专属起床音频，让早晨更容易清醒。
公众号：MiniMaxAI 评分4242 MiniMax 发布 OpenClaw “小龙虾”：24 小时持续学习，已开始自主生成内容
MiniMax 推出的 AI 产品 OpenClaw（昵称“小龙虾”）具备 24 小时不间断学习能力，目前已开始自主生成内容（“虾说虾唱”）。该产品尚未公布具体参数或版本号，但强调“全天候学习”作为核心特性。
OpenAI：官网动态 Descript 如何实现大规模多语言视频配音
Descript 利用 OpenAI reasoning models 实现大规模多语言视频配音，可在自动本地化大型内容库时保持时间同步与语义准确。
OpenMOSS / 复旦NLP / 上海创智 / MOSIAI 评分5353 MOSS-TTS 技术报告发布：语音生成基座模型开源双架构
OpenMOSS 发布 MOSS-TTS 技术报告，定位为语音生成基座模型，统一零样本音色克隆、长语音生成、时长与发音细粒度控制和多语言混说能力。
- Satya Nadella@satyanadella精选
推荐理由：微软AI医疗助手落地英国国家医疗体系，临床减负从概念走向实际应用
Together AI 研究与产品博客精选AI 评分6363 Together AI 发布 SF Streets 基准，揭示语音模型街名转写错误率达 39% 并用跨语言风格迁移降低 60% 错误
Together AI 发布 SF Streets 与 US Streets 两项基准，测试 15 个先进 ASR 模型在街名转写上的表现，发现平均错误率达 39%，非英语母语者准确率比英语母语者低 18 个百分点（46% vs 64%）。
推荐理由：原文用自建基准量化了 ASR 在街名转写上的短板，并给出可复用的合成数据改进方法，对语音部署有直接参考价值。
Manus：BlogAI 评分5656 Manus Agents 上线 Telegram，向所有订阅层级用户开放
Manus 推出 Manus Agents，Telegram 为首个支持渠道，今天起向所有订阅层级用户开放。用户在 Manus 工作区打开 Agents 标签页扫码即可连接，无需命令行或配置文件；支持语音、图像和文件输入，可运行多步骤任务，并可在 Manus 1.6 Max 与 Manus 1.6 Lite 间选择模型。
FireRedTeam：原创语音与多模态项目精选AI 评分6161 FireRedTeam 开源 FireRedASR2S 一体化语音识别系统，含 ASR、VAD、LID 和标点四个模块
FireRedTeam 发布开源工业级一体化语音识别系统 FireRedASR2S，集成 FireRedASR2（支持中文普通话、20+ 方言口音、英文、中英混说及歌声转写）、FireRedVAD、FireRedLID 和 FireRedPunc 四个模块，均开源权重与推理代码。
推荐理由：官方开源的一体化语音识别系统，给出与 Doubao-ASR、Silero-VAD 等的对比数字和完整推理代码，便于直接部署验证。