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。
语音与音频
全部主题AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
最新精选
第 1–11 条 · 共 11 条OpenAI News精选AI 评分6363
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。
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。
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 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。