Sierra 发布 Voice Sommelier：为品牌匹配最佳语音的实践指南
Sierra 推出 Voice Sommelier，一套为品牌选择 AI 语音的最佳实践方法。该指南聚焦如何根据品牌调性匹配语音参数（如音高、语速、音色），而非仅依赖默认选项。Sierra 强调，合适的语音能提升用户信任感与交互完成率，建议品牌通过 A/B 测试和用户反馈迭代优化语音选择。
#语音
Sierra：BlogAI 评分4949
OpenAI Developers：Blog精选AI 评分7272 OpenAI 发布 Realtime API GA 版与 gpt-realtime 模型开发者说明
OpenAI 介绍 gpt-realtime 语音模型和 Realtime API 正式可用（GA）后的接口变化与新功能。
推荐理由：官方逐一解释了 GA 版接口变化和新功能的使用场景，对正在接入 Realtime API 的开发者有直接参考价值。
FireRedTeam：原创语音与多模态项目精选AI 评分6464 FireRedTeam 开源 FireRedChat 全自托管全双工语音交互方案
FireRedTeam 发布 FireRedChat，一个完全自托管的实时语音 AI 智能体全双工交互解决方案。系统集成了 TTS、ASR、pVAD（个性化语音活动检测）和 EoT（结束轮次检测），不依赖外部 API、无数据泄露、部署完全可控。
推荐理由：官方发布了可完全自托管的实时语音智能体方案，组件构成和部署路径都写清楚了，适合评估私有化语音交互搭建。
FireRedTeam：原创语音与多模态项目精选AI 评分6262 FireRedTeam 开源 FireRedTTS-2 长对话语音生成模型
FireRedTeam 发布 FireRedTTS-2，一款面向播客和聊天机器人的长对话流式 TTS 系统，支持最多 3 分钟、4 个说话人的多语种对话生成，覆盖中英日韩法德俄语并支持零样本跨语言音色克隆。
推荐理由：官方开源了长对话流式语音合成模型，给出多语言支持、延迟数据和部署方案，适合关注播客与对话生成的读者参考。
Microsoft AI：官方博客精选AI 评分7171 Microsoft AI 发布 MAI-Voice-1 并在 LMArena 公测首个自研基础模型 MAI-1-preview
Microsoft AI（MAI）发布语音生成模型 MAI-Voice-1，单张 GPU 可在一秒内生成一分钟音频，已用于 Copilot Daily 和 Podcasts。
推荐理由：官方公布两款自研模型的技术细节与试用入口，可据此了解其训练规模和落地进展。
OpenAI：官网动态精选AI 评分7373 OpenAI 发布 gpt-realtime 语音模型并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并带来 Realtime API 更新。新增能力包括 MCP server 支持、图像输入，以及 SIP 电话呼叫支持。
推荐理由：官方发布明确了语音模型升级和 API 新增能力范围，读者可据此评估对语音应用开发的可用性。
OpenRouter：AnnouncementsAI 评分4343 OpenRouter 应用新增语音输入和 PDF URL 支持
OpenRouter 平台现支持在应用中使用语音输入功能，并允许通过 URL 发送 PDF 文件。该功能适用于平台上的任意模型。
OpenAI DevelopersAI 评分4545 OpenAI 发布实时音频开发指南
OpenAI Developers 发布了关于 Realtime API 和音频处理的官方指南，内容涵盖如何构建实时语音代理、进行实时翻译以及实现流式转录。该指南主要面向开发者，提供低延迟场景下的技术实现参考。
OpenAI DevelopersAI 评分4545 OpenAI Realtime API 实时语音翻译指南
OpenAI 开发者文档发布了一篇关于如何使用 Realtime API 构建实时语音翻译应用的指南，涵盖了低延迟流式音频处理等技术要点。
Mistral AI：NewsAI 评分5757 Mistral 为 Le Chat 推出 Deep Research、语音模式、Projects 等多项新功能
Mistral 宣布 Le Chat 上线多项新功能，包括 Deep Research 预览模式、基于 Voxtral 模型的语音模式、由 Magistral 推理模型驱动的多语言思考模式、按项目组织对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
Mistral AI：News精选AI 评分7272 Mistral 发布开源语音理解模型 Voxtral，提供 24B 与 3B 两个版本
Mistral 发布语音理解模型 Voxtral，含 24B 和 3B 两个版本，均采用 Apache 2.0 许可并可在 Hugging Face 下载，同时上线 API，转录定价每分钟 $0.001 起。
推荐理由：官方发布开源语音理解模型，给出能力细节、基准对比和价格，读者可据此评估是否替代现有 ASR 方案。
OpenMOSS / 复旦NLP / 上海创智 / MOSI精选AI 评分6969 OpenMOSS 开源 MOSS-TTSD-V0 中英双语对话语音生成模型
OpenMOSS 发布并开源 MOSS-TTSD-V0，支持中英双语对话语音生成、零样本双说话人音色克隆、声音事件控制和长语音生成，模型权重、推理代码和 API 全部开源并支持商用。
推荐理由：原文给出训练数据规模、Codec 设计和对比结果，读者可据此评估这个开源对话语音模型的可复用价值。
Sierra：BlogAI 评分4949 Sierra 如何打造更拟人的 AI 语音体验
Sierra 分享其 AI 语音智能体在真实通话中的三项经验：自研 Voice Activity Detection（VAD）系统可区分背景噪音、打断与附和；智能体能同时思考与倾听、倾听与说话、说话与思考，并实时纠错；语音场景下更多上下文反而提升问题解决效果。Sierra 称其平台上的 AI 智能体可提供 24/7 语音支持，无需等待、转接或回拨，无法解决时可无缝转接人工坐席。
Hugging Face 社区博客AI 评分5757 Hugging Face Inference Endpoints 发布 Whisper 高速部署，RTFx 提升近 8 倍
Hugging Face 在 Inference Endpoints 上推出新的 OpenAI Whisper 部署选项，推理由 vLLM 驱动，Whisper Large V3 的 RTFx 相比此前版本提升近 8 倍且转录质量不降。
Sarvam AI精选AI 评分6161 印度政府在 IndiaAI Mission 下选定 Sarvam 构建主权大语言模型
印度政府依据 IndiaAI Mission 选定 Sarvam 从零构建印度主权大语言模型，并提供专属算力资源。模型具备推理能力、面向语音设计并精通印度语言，计划实现大规模安全部署。
推荐理由：官方公告明确了主权模型的三档规格与本土部署定位，可以据此了解印度 AI 基础设施的建设思路。
OpenAI：官网动态精选AI 评分6363 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型。开发者首次可以指示文生语音模型以特定方式说话，例如像有同理心的客服人员那样讲话，为语音 Agent 带来更深层的自定义能力。
推荐理由：原文来自 OpenAI 官方，说明开发者可用自然语言指示语音模型按特定方式说话，语音 Agent 的自定义方式值得关注。
Zyphra Research精选AI 评分7171 Zyphra 发布 Zonos-v0.1 beta 开源 TTS 模型
Zyphra 以 Apache 2.0 许可发布 Zonos-v0.1 beta，包含 1.6B transformer 与 1.6B SSM hybrid 两个实时 TTS 模型，后者是首个开源 TTS SSM 模型。
推荐理由：官方发布了模型权重、API 定价和架构细节，读者可以据此评估开源 TTS 与专有模型的差距与可用性。
OpenMOSS / 复旦NLP / 上海创智 / MOSIAI 评分5959 SpeechGPT 2.0-preview 发布并开源，支持百毫秒级低延迟语音交互
OpenMOSS 团队发布端到端语音大模型 SpeechGPT 2.0-preview，在百万小时级中文语音数据上训练，实现 200ms 以内延迟，支持实时打断、多情感多风格多音色控制和角色扮演，并已开源推理代码、模型权重与方法介绍（github.com/OpenMOSS/SpeechGPT-2.0-preview）。
FireRedTeam：原创语音与多模态项目精选AI 评分7070 FireRedTeam 开源 FireRedASR 工业级语音识别模型，含 AED 与 LLM 两个变体
FireRedTeam 开源工业级 ASR 模型 FireRedASR，支持普通话、中文方言和英文，在公开普通话 ASR 基准上取得 SOTA，并具备歌词识别能力。
推荐理由：原文给出两个模型变体的架构差异和公开基准 CER/WER 对比数字，读者可据此评估选型。
Sierra：BlogAI 评分4747 Sierra 为 AI 智能体新增语音通话能力
Sierra 宣布其 AI 智能体现在可以接听电话，将对话式 AI 从聊天扩展到语音渠道。该语音能力可接入现有呼叫中心平台与 IVR 系统，支持实时情绪识别、必要时转接人工，并在每次转接时附上 AI 生成的摘要。Sierra 称其聊天智能体的客户满意度评分多在 4.5/5 以上。
OpenAI：官网动态精选AI 评分7070 OpenAI 推出 Realtime API，支持构建语音到语音体验
OpenAI 推出 Realtime API，开发者现在可以在应用中构建快速的语音到语音（speech-to-speech）体验。
推荐理由：原文宣布 Realtime API 开放，开发者可以把快速语音到语音体验直接构建进应用。
FireRedTeam：原创语音与多模态项目AI 评分5757 FireRedTeam 开源 FireRedTTS-1S 流式语音合成系统
FireRedTeam 在 GitHub 发布可流式生成的语音合成系统 FireRedTTS-1S，提供预训练权重、推理代码和技术报告。支持零样本声音克隆，新增 flow matching 解码器可选，参考音频建议 3 到 10 秒，项目仅限学术研究用途。
通义 QwenAudio：原创语音项目精选AI 评分6262 FunAudioLLM 发布 Fun-CosyVoice 3.0 开源语音合成模型
通义 FunAudioLLM 团队开源基于 LLM 的 TTS 系统 Fun-CosyVoice 3.0，官方称在内容一致性、说话人相似度和韵律自然度上超越前代 CosyVoice 2.0，面向零样本多语言语音合成。
推荐理由：官方发布开源 TTS 新版本，附评测表、安装与部署方式，适合关注多语言语音合成落地的开发者参考。
通义 QwenAudio：原创语音项目精选AI 评分6161 SenseVoice 开源语音理解模型仓库：支持 ASR、情感识别与音频事件检测
SenseVoice 是一个语音理解基础模型，支持 ASR、语种识别、语音情感识别和音频事件检测。发布的 SenseVoiceSmall 检查点支持普通话、粤语、英语、日语和韩语，并输出情感与事件标签；采用非自回归端到端架构，同参数量级下推理速度比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍以上。
推荐理由：官方仓库文档同时给出基准对比、部署路径和微调方案，读者可以据此评估 SenseVoice 在中英文语音识别场景的可用性。
Sam Altman：Blog精选 GPT-4o
OpenAI 将 GPT-4o 向所有 ChatGPT 用户免费开放，无广告。全新语音（及视频）模式响应速度接近人类，表现力极强，被 Sam Altman 称为「用过最好的计算机界面」，像电影里的 AI。未来还将支持个性化、代操作等功能。
推荐理由：Sam Altman 解读 GPT-4o 发布，强调语音交互与免费策略
Eugene Yan：WritingAI 评分5858 Eugene Yan 用 Vapi 和 Claude 3 搭建可通话的 AI 教练
Eugene Yan 分享他基于 Vapi 平台和 claude-3-sonnet 模型搭建的语音 AI 教练 Tara，用于散步时倾诉焦虑、梳理思路和预演困难对话。文章给出 10 分钟搭建教程，包括系统提示词、购买每月 2 美元的虚拟号码，并公开了演示号码 +1 (206) 558 8782。
OpenAI：官网动态AI 评分4949 OpenAI 分享 Voice Engine 自定义语音模型小规模预览的经验
OpenAI 分享了自定义语音生成模型 Voice Engine 小规模预览的经验教训。该模型可根据文本创建自定义语音，目前仍处于小范围测试阶段。
Hugging Face 社区博客AI 评分5252 Hugging Face 推出 TTS Arena：实战对比文生语音模型
Hugging Face 推出 TTS Arena，一个在真实使用中对比评测文生语音（TTS）模型的基准平台。正文抓取失败，仅标题可用，更多细节以原文链接 https://huggingface.co/blog/arena-tts 为准。
Ilya Sutskever@ilyasut未来，一旦我们模型的稳健性超过某个阈值，我们将拥有*极其有效*且极其便宜的 AI 心理咨询。这将从根本上改善人们的生活体验。这是我最热切期待的应用之一。
引用Lilian Weng@lilianwengJust had a quite emotional, personal conversation w/ ChatGPT in voice mode, talking about stress, work-life balance. Interestingly I felt heard & warm. Never tried therapy before but this is probably it? Try it especially if you usually just use it as a productivity tool.
Hugging Face 社区博客AI 评分5454 Hugging Face 发布音频数据集完整使用指南
Hugging Face 发布音频数据集完整指南，演示用 🤗 Datasets 库一行代码加载 GigaSpeech 等数据集并用 13 行代码完成重采样、预处理和过滤。指南还介绍了流式模式可绕过磁盘空间限制（GigaSpeech xl 配置需超 1TB 存储），并汇总了 Hub 上热门的语音识别、语音翻译和音频分类数据集。
Hugging Face 社区博客精选AI 评分6868 Hugging Face 发布 Whisper 多语言 ASR 微调教程
Hugging Face 发布使用 🤗 Transformers 对 Whisper 进行多语言语音识别（ASR）微调的分步教程。
推荐理由：完整给出从数据准备到训练和 Gradio 演示的代码流程，仅用 8 小时印地语数据把 WER 从 63.5% 降到 32%，方法可直接迁移到其他语言。
OpenAI：官网动态精选AI 评分7474 OpenAI 开源语音识别模型 Whisper
OpenAI 训练并开源了名为 Whisper 的神经网络，其英文语音识别的稳健性和准确率接近人类水平。
推荐理由：原文来自 OpenAI 官方，点明 Whisper 在英文语音识别上的稳健性和准确率接近人类水平，并直接开源。