inclusionAI/Ming-omni-tts
inclusionAI 发布了 Ming-omni-tts，这是一个能够统一生成语音、音乐和声音的模型。该模型的核心特点是结构简单高效，并实现了对生成内容的精确控制。它通过一个统一的框架处理多种音频模态，简化了传统上需要不同模型分别处理语音、音乐和音效的流程。这一进展为跨模态音频内容的创作与编辑提供了更便捷、可控的工具。
#语音
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5151 ElevenLabs：BlogAI 评分4545 ElevenLabs 推出 ElevenLabs for Government，面向公共部门提供语音与聊天智能体
ElevenLabs 正式发布 ElevenLabs for Government，为公共部门提供语音与聊天 AI 智能体，支持 24/7 多语言自然对话，并具备公共部门级安全、合规与治理能力。
ElevenLabs：BlogAI 评分5252 Klarna 用 ElevenAgents 上线美国电话客服语音智能体，解决速度提升最多 10 倍
Klarna 基于 ElevenLabs 的 ElevenAgents 平台推出语音 AI 客服，作为美国用户电话支持的第一线，覆盖全部 3500 万美国客户，被该智能体处理的查询解决速度最多快 10 倍。该智能体处理产品咨询、支付状态等信息类请求，并在检测到复杂性或敏感性时无缝转接人工；Klarna 计划将语音 AI 扩展到全球 1.14 亿用户。
Sarvam AIAI 评分5252 Sarvam AI 发布语音识别模型 Saaras V3，支持 23 种语言并原生流式解码
Sarvam AI 发布语音识别模型 Saaras V3，原生支持流式低延迟解码，覆盖 22 种印度官方语言加英语共 23 种语言。
FireRedTeam：原创语音与多模态项目精选AI 评分6363 FireRedTeam 开源 FireRed-OpenStoryline 对话式视频创作工具
FireRedTeam 于 2026-02-10 正式开源 FireRed-OpenStoryline，将视频创作变为自然语言对话，支持素材搜索下载、脚本生成、BGM 与配音字体推荐，以及全流程剪辑。
推荐理由：官方开源的对话式视频剪辑项目，覆盖素材检索、脚本生成到剪辑全流程，并可直接通过 Claude Code 等 Agent Skills 安装使用。
Sarvam AIAI 评分5454 Sarvam AI 发布 TTS 模型 Bulbul V3，覆盖 11 种印度语言
Sarvam AI 发布面向印度语言的文本转语音模型 Bulbul V3，提供 35+ 专业配音声线、支持语音克隆，并新增低延迟流式输出模式。
ElevenLabs：Blog精选AI 评分6565 ElevenLabs 融资 5 亿美元 Series D，估值 110 亿美元
ElevenLabs 于 2026 年 2 月 4 日宣布完成 5 亿美元 Series D 融资，估值 110 亿美元，较一年前增长超过三倍，总融资达 7.81 亿美元。
推荐理由：官方公告给出融资额、估值变化和 ARR 数字，还交代了资金投向与产品线布局，可据此了解这家语音 AI 公司的扩张重点。
Mistral AI：News精选AI 评分6464 Mistral 发布 Voxtral Transcribe 2，Voxtral Realtime 以 Apache 2.0 开放权重
Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2（批量转写）和 Voxtral Realtime（实时转写）两款语音转文字模型。
推荐理由：官方给出了两个语音转写模型的能力边界、延迟数字、基准对比和开放权重细节，便于评估其在语音应用中的可迁移性。
ElevenLabs：Blog精选AI 评分6565 Eleven v3 语音模型正式全量开放，符号与数字朗读错误率下降 68%
ElevenLabs 宣布其最先进的 Text to Speech 模型 Eleven v3 结束 Alpha 阶段，正式面向所有平台开放。新版本在测试中 72% 的场景被用户认为比 Alpha 更稳定；针对数字、符号和专业记号的处理，内部基准覆盖 8 种语言 27 个类别，错误率从 15.3% 降至 4.9%，整体减少 68%，改进集中在体育比分、货币、化学式等依赖上下文判断符号含义的场景。
推荐理由：原文给出具体的错误率下降数字和示例对比，读者可以据此评估 Eleven v3 正式版在数字和符号朗读上的实际改进。
Sarvam AIAI 评分5151 Sarvam AI 发布 Sarvam Audio 语音识别模型，覆盖 22 种印度语言
Sarvam AI 发布语音模型 Sarvam Audio，基于 30 亿参数、在英语和 22 种印度语言上从零预训练的 Sarvam 3B 扩展而来。
OpenMOSS / 复旦NLP / 上海创智 / MOSI精选AI 评分6262 MOVA 发布：32B MoE 端到端同步视频-音频生成模型全栈开源
OpenMOSS 团队发布 MOVA 音视频基础模型，总参数 32B MoE、激活 18B，支持文本或图像到音视频的端到端同步生成，最高 720p、单段 8 秒。模型采用非对称双塔架构（14B Wan 2.2 I2V 视频塔与 1.3B 音频塔）加双向 Bridge 和 Aligned ROPE 对齐时间轴，并开放模型权重、训练与推理代码及微调方案。
推荐理由：原文给出架构、训练策略和开源范围，读者可以了解端到端音视频生成如何处理同步问题并可复现研究。
Qwen：Blog Retrieval Qwen3-ASR 与 Qwen3-ForcedAligner 正式开源：鲁棒、流式、多语言！
Qwen3-ASR 与 Qwen3-ForcedAligner 正式开源，具备鲁棒性、流式处理与多语言能力。Qwen Studio 同步集成聊天机器人、图像视频理解、图像生成、文档处理、网页搜索、工具调用及 Artifacts 等全栈功能。
ElevenLabs：BlogAI 评分4343 Revolut 选用 ElevenLabs Agents 强化客户支持
Revolut 部署 ElevenLabs Agents 作为英国和欧洲客户语音支持的一线，覆盖超 400 万客户，首阶段将问题解决时间缩短 8 倍以上。该智能体支持 30 多种语言实时切换，可在 5 分钟内解决工单，超 99.7% 的来电成功处理，并满足 PCI 合规与零留存要求。Revolut 在对比多家供应商后选择了 ElevenLabs，同时保留自身的编排与业务逻辑控制权。
MiniMax：Blog精选 MiniMax Speech 2.8 语音模型
MiniMax 发布新一代语音模型 MiniMax Speech 2.8，通过原生声音标签技术模拟人类口语中的"嗯"、"啊"等填充词及呼吸停顿，显著提升对话自然度。该模型支持10秒样本高保真声音克隆，精准还原音色与语速，同时消除背景噪音与数字伪影，输出录音室级纯净音质。此外，模型优化了跨语言表现，从普通话-日语对开始解决口音渗透问题，实现更接近母语者的发音效果。
推荐理由：10秒样本克隆真人声线，AI说话带'嗯啊'呼吸声，MiniMax语音模型上新
Qwen：Blog Retrieval Qwen3-TTS 系列现已开源：支持语音设计、克隆与生成！
Qwen Studio 功能全面，涵盖聊天机器人、图像与视频理解、图像生成、文档处理、网页搜索集成、工具调用及 artifacts 等模块。
ElevenLabs：BlogAI 评分5555 ElevenLabs 发布 The Eleven Album，多位知名艺术家与 Eleven Music 合作创作
ElevenLabs 发布由 Eleven Music 驱动的专辑 The Eleven Album，收录 Liza Minnelli、Art Garfunkel 等 14 位艺术家创作的全原创曲目，风格涵盖说唱、流行、R&B、EDM 和影视配乐。
通义 QwenAudio：原创语音项目AI 评分5252 通义 Fun-CineForge 开源零样本影视配音数据管线与模型
通义语音团队开源 Fun-CineForge，包含端到端配音数据集管线和面向多样影视场景的 MLLM 配音模型，并发布首个大规模中文电视剧配音数据集 CineDub-CN。
ElevenLabs：BlogAI 评分5757 ElevenLabs 发布 Scribe v2，面向批量转录与字幕场景
ElevenLabs 发布 Scribe v2，针对批量转录、字幕和规模化标注优化，在长音频、停顿、语气变化和多说话人场景下改进稳定性与准确率，官方称在行业标准基准上取得最低词错误率。
通义 QwenAudio：原创语音项目AI 评分5959 阿里通义团队开源 Fun-Audio-Chat-8B 语音大模型
阿里云通义 Fun 团队发布 Fun-Audio-Chat-8B 大音频语言模型，开源模型、训练与推理代码，采用 5Hz 共享骨干加 25Hz 精化头的双分辨率语音表示，宣称 GPU 时数降低近 50%，并通过 Core-Cocktail 训练保留文本 LLM 能力。
Qwen：Blog Retrieval Qwen3-TTS 升级：支持语音克隆和语音设计！
Qwen3-TTS 新增语音克隆与语音设计能力，Qwen Studio 集成聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 artifacts 等综合服务。
OpenAI Developers：BlogAI 评分5656 OpenAI 发布 2025-12-15 音频模型快照，提升语音代理可靠性与质量
OpenAI 发布四款新音频模型快照：gpt-4o-mini-transcribe-2025-12-15、gpt-4o-mini-tts-2025-12-15、gpt-realtime-mini-2025-12-15 和 gpt-audio-mini-2025-12-15，覆盖转写、语音合成与原生语音到语音，价格与旧快照相同。
xAI：News精选 xAI 发布 Grok Voice Agent API
xAI 开放 Grok Voice Agent API，基于自研语音栈（VAD、tokenizer、音频模型），Big Bench Audio 基准排名第一，首音频延迟低于 1 秒（比竞品快近 5 倍），定价 $0.05/分钟。支持数十种语言自动切换、实时搜索 X 和网页、调用自定义工具，已深度集成特斯拉车机。提供 Ara、Eve 等多种自然声线，支持 [whisper] 等听觉标签，兼容 OpenAI Realtime API 规范。
推荐理由：xAI发布Grok语音Agent API，延迟低于1秒且定价仅为OpenAI一半，已集成至Tesla车载系统
通义 QwenAudio：原创语音项目精选AI 评分6060 通义实验室开源 Fun-ASR 系列语音识别模型，含方言与 31 语言版本
通义实验室发布 Fun-ASR 端到端语音识别模型系列并开源。Fun-ASR-Nano-2512 参数量 800M，基于数千万小时语音训练，支持中英日三语、7 种汉语方言和 26 种地方口音；Fun-ASR-MLT-Nano-2512 同为 800M，基于数十万小时训练，支持 31 种语言。
推荐理由：原文给出两个识别模型的训练规模、语言覆盖和开源基准对比，还附部署与推理路径，读者可据此评估在中文和方言场景的可用性。
Google DeepMind：Blog精选AI 评分6868 Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 语音模型
Google DeepMind 发布更新的 Gemini 2.5 Flash Native Audio 模型，用于实时语音智能体，在 ComplexFuncBench Audio 上取得 71.5%，开发者指令遵循率从 84% 提升到 90%，已在 Google AI Studio、Vertex AI 上线，并开始在 Gemini Live 和 Search Live 推出。
推荐理由：原文给出具体评测分数和功能细节，读者可以据此评估新模型在语音智能体和翻译场景的可用性。
Qwen：Blog Retrieval Qwen3-TTS 更新！49 种音色 + 10 种语言 + 9 种方言
Qwen3-TTS 发布更新，支持 49 种音色、10 种语言和 9 种方言。Qwen Studio 平台同步提供聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 Artifacts 等全栈功能。
Hugging Face 社区博客精选AI 评分8383 Open ASR 排行榜新增多语言与长格式赛道，揭示模型性能新挑战
Hugging Face 的 Open ASR 排行榜新增多语言和长格式语音识别评估赛道。多语言赛道涵盖8种语言，长格式赛道则测试模型处理连续数分钟语音的能力。新榜单显示，领先模型在多语言任务上的词错误率平均比专用单语模型高约15%，在长格式任务上错误率可能上升超20%，凸显了模型在实际应用中的泛化能力仍面临严峻挑战。
推荐理由：ASR排行榜新增多语言和长形式评估，助力开发者优化语音应用。
OpenAI DevelopersAI 评分4545 OpenAI Cookbook：使用独立实时请求转录用户音频
OpenAI Developers 发布了一篇新的 Cookbook 教程，介绍如何使用带外（out-of-band）的 Realtime sessions 来转录用户音频。该资料仅提供了标题和链接，未包含具体的技术实现细节或代码示例。
ElevenLabs：Blog精选AI 评分6060 ElevenLabs 发布 Scribe v2 Realtime 实时语音转文字模型
ElevenLabs 发布实时语音转文字模型 Scribe v2 Realtime，延迟低于 150 ms，在 30 种常用欧洲和亚洲语言上达到 93.5% 准确率，并支持约 90 种语言。
推荐理由：官方公布了延迟、准确率等具体指标和主要功能，读者可据此评估其是否适合语音智能体等实时场景。
ElevenLabs：BlogAI 评分4545 ElevenLabs 推出 Iconic Marketplace，Michael Caine 等 25 位以上名人声音入驻
ElevenLabs 上线 Iconic Marketplace，一个面向企业的双向授权平台，供其申请使用名人声音进行项目与内容创作。平台已有 Michael Caine 及 Dr. Maya Angelou、Alan Turing、Liza Minelli、Art Garfunkel 等 25 位以上名人声音，并与 CMG Worldwide 等机构合作确保授权基于同意与合规。
Together AI 研究与产品博客AI 评分5858 Together AI 推出面向实时语音智能体的低延迟推理服务
Together AI 宣布扩展云端语音基础设施，推出 Streaming Whisper 流式转写（$0.0035/min）、首个 serverless 开源 TTS（Orpheus 187ms TTFB、Kokoro 97ms TTFB）以及 Voxtral 转写和说话人分离。
MiniMax：Blog精选 MiniMax发布新一代语音模型Speech 2.6
MiniMax发布语音模型Speech 2.6，端到端延迟降至250毫秒内，支持实时对话。新增多语言特殊格式解析能力，可自动朗读URL、邮箱、电话、日期及金额，无需预处理。推出Fluent LoRA功能，即使源录音带口音也能保留音色并生成流畅语音，支持40余种语言。已被LiveKit、Vapi等平台及智能硬件采用。
推荐理由：MiniMax发布Speech 2.6语音模型，支持Voice Agent场景，实现超低延迟与Fluent LoRA语音克隆优化。
Hugging Face 社区博客AI 评分5656 Hugging Face 提出语音同意门机制，探索带授权的语音克隆方案
Hugging Face 发布带授权语音克隆的语音同意门概念及示例 Space 和配套代码。系统先生成包含同意语句和模型名的全新句子，经 ASR 识别确认后，才允许用该音频驱动语音克隆 TTS，使同意成为可审计的系统前提；作者也指出该设计可被其他 TTS 伪造，未来可结合音频溯源和说话人嵌入校验。
美团 LongCat：HuggingFace 新模型精选 美团开源全模态模型LongCat-Flash-Omni
美团开源全模态模型LongCat-Flash-Omni，采用5600亿参数MoE架构（激活270亿），支持128K上下文与实时音视频交互。模型基于快捷连接MoE与零计算专家，配备轻量级编解码器及分块特征交错机制，通过课程式渐进训练提升效率。在OmniBench、WorldSense等基准测试中超越Qwen3-Omni与Gemini-2.5-Pro，在文档理解、语音识别及GUI控制等任务中达到领先水平。
推荐理由：美团开源 560B 参数多模态模型，27B 激活即可实现实时音视频交互
美团 LongCat：HuggingFace 新模型 meituan-longcat 发布 LongCat-Audio-Codec
meituan-longcat 发布开源项目 LongCat-Audio-Codec，致力于通过开源与开放科学推进人工智能技术的普及与民主化。该项目旨在促进音频编解码技术的开放获取，推动行业技术进步与开放生态建设。
Sierra：BlogAI 评分5454 Sierra 如何打造低延迟语音 AI 智能体
Sierra 通过优化语音到语音管道的每个阶段来降低延迟，使语音 AI 智能体听起来更自然而非机械。其工程方法涵盖从语音识别到生成的全链路延迟压缩，但具体技术细节和量化指标未在原文中披露。
ElevenLabs：BlogAI 评分5353 ElevenLabs Agents 平台推出可视化编排工具 Agent Workflows
ElevenLabs 为其 agents 平台推出 Agent Workflows，一个用于设计对话流程的可视化编辑器，可将任务路由到专门的 Subagents 并在需要时转接人工。
Liquid AI 模型与工程博客精选AI 评分6464 Liquid AI 发布 LFM2-Audio-1.5B 端到端音频基础模型
Liquid AI 发布 LFM2-Audio-1.5B，一个支持音频与文本输入输出的端到端基础模型，扩展了 LFM2 家族。
推荐理由：官方给出了 VoiceBench、ASR 词错率和低于 100ms 的延迟数据，读者可以据此评估 1.5B 参数模型在端侧实时语音场景的可用性。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5151 inclusionAI/Ming-UniAudio
研究团队发布了Ming-UniAudio，这是一个基于统一表示的大语言模型，专门用于语音任务。该模型能够联合处理语音的理解、生成与编辑，实现了多种语音功能的集成。它通过统一的框架，将传统上分离的语音识别、合成和修改任务整合进单一系统，提升了处理效率与协同能力。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分5757 inclusionAI发布MingTok-Audio：首个统一连续语音分词器
inclusionAI团队推出了MingTok-Audio，这是首个能有效融合语义与声学特征的统一连续语音分词器，适用于语音理解与生成任务。该模型基于纯因果Transformer架构，去除了卷积层以提升效率，并采用VAE进行连续特征建模以实现高质量音频重建。在语音重建性能上，其帧率为50，在SEED-ZH和SEED-EN测试集上的PESQ分别达到4.21和4.04，SIM为0.96，STOI为0.98，显著优于对比模型。在下游ASR任务中，其在多个方言数据集上取得了更低的错误率，例如在Hunan Minnan数据集上WER低至9.80%。
推荐理由：蚂蚁把语音 tokenizer 做到了 PESQ 4.2 的离谱分数，比第二名翻了快一倍，做语音理解和生成的团队值得拿这个当新 baseline 跑一下。
公众号：小米 MiMoAI 评分5454 小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio
小米开源其首个原生端到端语音大模型 Xiaomi-MiMo-Audio，被定位为语音开源领域的“LLaMA 时刻”，对标此前语音闭源领域的“GPT-3 时刻”。该模型具体参数、评测分数及开源协议尚未披露。