跳到正文
#语音
10月21日周三
  5. Arthur Mensch59

    Mistral 发布 Voxtral 3 Transcribe 和 Speech 模型，为其新的语音智能体 API 提供支持。Mistral CEO Arthur Mensch 补充称，Voxtral 可实时完成说话人分离（diarization）和轮次结束检测，既可跑在用户自有基础设施上，也可使用 Mistral 的 API。

    引用Mistral AI@MistralAI

    Introducing Voxtral 3: state-of-the-art Transcribe and Speech models powering Mistral’s new voice agents API. 🧵

  7. Rohan Paul48

    HeyGen 的 Professional Voice Clone 用 30 分钟到 2 小时的录音音频训练，保留呼吸、停顿、笑声、口音和元音发音，官方称生成的声音无人能分辨真假。推文强调这一数据量区间是关键：短参考片段无法体现长句前的换气节奏或语速加快时的口音特征，而这些细微的不规则正是听者判断声音是否属于真人的依据。

    引用HeyGen@HeyGen

    Professional Voice Clone on HeyGen sounds exactly like you. Upload 30 min to 2 hrs of audio and get a voice no one can tell apart from your own. Every breath, pause, laugh, and accent, preserved. Comment "PVC" for a free month. First 100, web subscriptions only, ends 11/19.

10月20日周二
  2. ElevenLabs：Blog73

    ElevenLabs 发布 Eleven Realtime v1 Mini 与 v1 Max 语音智能体模型

    ElevenLabs 发布 Speech to Speech 级别的 Eleven Realtime 模型，含 v1 Mini（低成本自然对话）和 v1 Max（复杂多步任务），均支持 90 多种语言和 17,000+ 声音。

    推荐理由：原文给出两档模型的基准数据和与 OpenAI Realtime API 兼容的迁移方式，读者可据此判断是否替换现有语音智能体方案。

  4. Ant Ling56

    蚂蚁百灵感谢 vLLM 项目为 Ming-3.0 提供 Day-0 的 vLLM-Omni 支持，让模型更易部署。据引用内容，蚂蚁百灵开源了 5 款语音模型，覆盖 TTS、音频理解和 ASR，参数规模从 0.5B 到 126B 总参数（激活 6.5B），可通过 vLLM-Omni 直接部署。

    引用vLLM@vllm_project

    Day-0 support for Ming-3.0 in vLLM-Omni @AntLingAGI just open-sourced 5 speech models spanning TTS, audio understanding, and ASR — ranging from 0.5B to 126B total parameters (6.5B active). Serve them today with vLLM-Omni. Congrats to the @AntLingAGI team!

  10. IT之家·人工智能70

    日本演员协会发布生成式 AI 语音使用准则，《龙珠》悟空配音演员野泽雅子怒批未经授权使用其声音

    日本演员协会（JAU）在新闻发布会上发布生成式 AI 使用准则第一版，规定任何复刻演员声音的主体在每个环节都必须取得当事人同意，用于 AI 训练须获表演者许可，授权生成的语音被视作表演、企业需支付报酬或版税。

  11. 404 Media47

    佛州警方称诈骗分子用 AI 克隆警长声音行骗

    佛罗里达州奥西奥拉县警方称，诈骗分子用 AI 克隆警长 Steve Moser 的声音并配上其照片，给一名居民留下语音留言，冒充其本人打电话。此类冒充警察、以陪审团义务或逮捕令为由的诈骗正在多个州蔓延，佐治亚州和宾夕法尼亚州近一周也有相关报案。在佛州，冒充警察属三级重罪。

  13. Ant Ling57

    蚂蚁百灵今日开源 3 个语音家族共 5 个 Ming-3.0 模型。Ming-3.0-tts 含 0.5B 语音设计与副语言线索模型和 7.9B 总参数、1.3B 激活的 Tiny 长语音模型；Ming-3.0-audio 含 Flash 126B 总参数、6.5B 激活的理解与工具调用模型和 9.3B 总参数、2.7B 激活的 Tiny 高效对话模型；Ming-3.0-asr-tiny 为 8.6B 总参数、2B 激活的方言与上下文识别模型。图片补充：TTS 支持七种语言加两种方言，ASR 支持热词列表与对话上下文。

10月19日周一
  2. 蚂蚁 inclusionAI：GitHub 新仓库72

    蚂蚁 inclusionAI 开源 Ming-3.0-tts 语音合成模型

    蚂蚁 inclusionAI 在 GitHub 发布 Ming-3.0-tts，包含 0.5b dense 和基于 Ling V3 的 tiny（7.9B 总参数、1.3B 激活）两个语音生成模型，MIT 协议开源，权重可在 Hugging Face 和 ModelScope 下载。

    推荐理由：官方仓库给出两版模型的榜单名次、完整任务列表和部署细节，读者可据此评估其在多语言与副语言控制上的实际可用性。

10月16日周五
  3. IT之家·人工智能54

    小米开源空间音频理解大模型 MiDashengLM-Spatial

    小米发布开源空间音频理解大模型 MiDashengLM-Spatial，完整公开模型权重和推理代码，采用 Apache 2.0 许可证。模型以 MiDashengLM-7B 为基座，在保留基础音频理解能力的同时增加空间感知与推理能力，小米称其为业界首个开源的端到端空间音频理解大模型，将陆续应用于智能家居和汽车座舱场景。

  4. Tibo48

    Bonjour （引用推文核心要点：GPT-Live-1.1 为 ChatGPT、Codex 和 dots 的语音功能带来更新，新增法语、德语、印地语、墨西哥西班牙语、韩语和日语语音，口音更自然，减少"checking..."式的停顿。今日起向所有用户推送，即将上线 API。）

    引用OpenAI@OpenAI

    New voices. Better accents. And less "checking..." GPT-Live-1.1 brings these updates to Voice in ChatGPT, Codex, and dots, with new voices in French, German, Hindi, Mexican Spanish, Korean, and Japanese. Rolling out today to all users. Coming soon to the API.

10月15日周四