Google DeepMind 发布语音转文字模型 Gemini 3.5 Transcribe
Google DeepMind 发布语音转文字模型 Gemini 3.5 Transcribe，并在 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 开放公开预览。
推荐理由：原文给出两个 API 的延迟与 WER 数字，读者可据此比较它相对上一代 Chirp 3 在实时语音场景的可用性。
#语音
#语音
今日 0 条Google DeepMind精选AI 评分6666
Hugging Face BlogAI 评分4949 NVIDIA Magpie TTS 多语言语音智能体：开放权重、12 种语言、32ms 首音频延迟
NVIDIA Magpie TTS Multilingual 开放权重模型开放权重、364M 参数，新增 Modern Standard Arabic、韩语和巴西葡萄牙语，共支持 12 种语言，并经由 NVIDIA NIM 在自有基础设施部署。
Google DeepMind精选AI 评分6060 Google DeepMind 在 Flow Music 上线音乐生成模型 Lyria 3.5
Google DeepMind 发布音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线，覆盖音乐性、歌词、人声和创作控制四方面。官方称其旋律结构更复杂自然，歌词质量与提示词遵循度提升，人声更具情感与发音准确度，同时可更简便地控制输出时长与节奏。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声和控制项上的具体变化，可用于对比上一代音乐生成能力。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型
Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款可自动识别 70 多种语言并做近实时语音到语音翻译的音频模型，能保留说话人的语调、节奏和音高，并持续生成语音、始终比说话人慢几秒。
推荐理由：官方给出 70+ 语言、流式连续翻译与多渠道开放的细节，读者可据此判断实时语音翻译的可用边界。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 推出 Gemini 3.1 Flash TTS 文本转语音模型，在 Artificial Analysis TTS 排行榜上取得 1,211 Elo 成绩。
推荐理由：Gemini 3.1 Flash TTS 给出了 Elo 成绩、音频标签控制和多语言覆盖，可据此判断语音生成的可控性变化。
Mistral AI精选AI 评分7171 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言的语音生成。
推荐理由：原文给出了架构、延迟与定价，读者可据此判断它在企业语音工作流中的位置。
Mistral AI精选AI 评分6464 Mistral 发布 Voxtral Transcribe 2 语音转写模型系列
Mistral 发布 Voxtral Transcribe 2，包含面向批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转写模型。
推荐理由：Mistral 一次放出批处理与实时两款语音转写模型，并给出延迟、错误率与单价对比，可据此判断实时语音应用的落地成本。
Mistral AI精选AI 评分7474 Mistral 发布 Voxtral 语音理解模型，24B 与 3B 两个版本均以 Apache 2.0 开源
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟转录或 40 分钟理解，并具备音频问答、摘要、多语言识别与语音触发函数调用能力，其语言模型骨干继承自 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两款尺寸、32k 上下文与转录基准对比，可据此判断开源语音方案的落地成本。