AI 语音公司 ElevenLabs 估值翻倍至 220 亿美元
AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权，较 2 月融资时的 110 亿美元估值翻倍。本轮 3 亿美元 tender offer 由 Wellington 和 T. Rowe Price 联合领投，是该公司第二次为员工安排二级交易，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。
#语音
#语音
今日 1 条TechCrunch · AIAI 评分5454
Hugging Face BlogAI 评分4040 Hugging Face 发布 Open TTS Leaderboard：面向开源与多语言的 TTS 与声音克隆评测榜
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源与多语言 TTS 模型：以 Qwen3 ASR 计算 WER/CER、用 RTFx 和 TTFA 衡量速度、以 WavLM 嵌入向量余弦相似度（SIM）衡量声音克隆。
AWS Machine Learning BlogAI 评分2525 用 vLLM-Omni 在 SageMaker AI 上构建实时语音应用（Part 1）
AWS 发布 vLLM-Omni v1.5 DLC，可在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流在一条持久连接上输入文本、回流 24 kHz PCM 音频块，并用 Gradio 应用演示。
AWS Machine Learning BlogAI 评分3838 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实时个性化语音
Amazon SageMaker JumpStart 现已支持部署 Qwen3-TTS-12Hz-1.7B-Base，可在全托管实时推理端点上用几秒参考音频完成声音克隆，输出 24 kHz 音频，无需重训练模型。
Latent SpaceAI 评分7373 Meta Connect 2026：Muse 眼镜、语音、视频与 Charm 设备
Meta 在 Connect 2026 上把个人智能体 Muse 作为硬件加智能体战略的核心，发布相关智能体功能与新眼镜，仅预告而未发布新前沿模型。Muse 现已支持语音与实时视频，可后台持续处理任务，并将在所有 Meta 眼镜上以唤醒词激活；每台 Muse 拥有独立邮箱地址，Mac 版 Muse 支持计算机使用。
Simon WillisonAI 评分6363 Gemini 3.8 TTS Playground：可自带 API key 的语音合成试用工具
Simon Willison 用 GPT-6 Astra 开发了一个 Gemini 3.8 TTS Playground，可组合单人旁白或多说话人对话、预览音频并查看请求响应细节，设置可保存为可分享的 URL。
OpenAI NewsAI 评分2626 Ringg 用 OpenAI GPT-5.6 让 AI 智能体解决最多 65% 客户来电
Ringg 借助 GPT-5.6 让 AI 智能体处理最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页等多语言场景。相比 GPT-4.1，其成本降低 90%。
OpenAI News精选AI 评分6363 OpenAI 在 API 中上线 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上有提升，同时支持自定义音色和电话语音（telephony）接入。
推荐理由：OpenAI 把全双工语音对话开放到 API，开发者可据此评估实时语音应用的改造路径。
Hugging Face BlogAI 评分4848 Hugging Face Open ASR Leaderboard 新增首个全球南语种：印地语与印度英语评测集 Monsoon
Hugging Face 的 Open ASR Leaderboard 新增 Monsoon en-IN 与 Monsoon hi-IN 两个评测集，这是该榜单多语言标签下首个 Indic 语言，也是其首个全球南语种。
Google DeepMind精选AI 评分6666 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。
Hugging Face BlogAI 评分4444 Hugging Face 研究：11 款开源 ASR 模型存在基准测试“刷分”现象
Hugging Face 最新研究用三项测试量化语音识别中的“benchmaxxing”，评估 11 款开源 ASR 模型后发现，多款高分模型会复现 VoxPopuli 英文集和 LibriSpeech（clean、other）的基准转录文本，即使音频与之矛盾或相关词已被静音。
Google Research精选AI 评分7171 Google 发布 AMIE (Video)：实时视频问诊达到专家级表现
Google Research 发布 AMIE (Video)，在 Gemini 与 Project Astra 之上实现同步临床视频问诊，可感知非语言临床线索、引导患者演员完成虚拟体格检查并实时进行诊断推理。
推荐理由：AMIE (Video) 用三智能体异步架构支撑实时视频问诊，并在 300 场随机 OSCE 研究中与初级保健医生对比，适合了解医疗多模态智能体的设计与评测方式。
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。
Hugging Face BlogAI 评分4949 Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类品质
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的人类品质，覆盖 40 多个领先闭源与开源语音模型、15+ 个评估维度和 60+ 项指标，涵盖 ASR、TTS、S2S 与语音理解。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一条实时语音到语音流水线，采用开源可替换的级联架构。语音识别用 Nvidia 的 Parakeet，语言模型用 Google DeepMind 的 Gemma 4 31B 在 Cerebras 上推理，文本转语音用 Alibaba 的 Qwen3TTS。
推荐理由：Hugging Face 与 Cerebras 联合演示开源语音到语音流水线，读者可了解各层组件如何组合与何处替换。
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6363 Mistral 为 Le Chat 上线 Deep Research、Voxtral 语音与图像编辑等功能
Mistral 为 Le Chat 推出多项新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的 Voice 模式、由推理模型 Magistral 支持的 Think 模式、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：Mistral 一口气给 Le Chat 补上研究、语音、推理与图像编辑，读者可据此判断其产品线扩张方向。
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。