Google DeepMind 发布实时交互世界模型 Genie 4
Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。
推荐理由：官方完整说明了 Genie 4 的实时交互、原生音频和与 Gemini 协作机制，也坦陈当前在长时一致性和物理精度上的局限。
#语音
Google DeepMind：Blog精选AI 评分7373
公众号：腾讯混元精选AI 评分6868 腾讯混元开源同声传译大模型 Hy-SimulMT，实测效果超主流商用 API
10 月 26 日，腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英语音到语音实时翻译，实测响应时间约 3 秒，低于人类专业译员平均的 4-5 秒。
推荐理由：原文给出实测时延约 3 秒、对比人类同传专家和商用 API 的测评细节，以及 HuggingFace、GitHub 等开源入口，读者可据此评估其在真实同传场景的可用性。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分7272 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。
Elon Musk@elonmusk精选AI 评分6767引用Artificial Analysis@ArtificialAnlysSpaceXAI 的 Grok Voice 3.0 是新的领先语音到语音模型，在 Artificial Analysis 语音到语音指数上以 86.9 首次亮相即排名第 1，同时在延迟方面也很有竞争力 Grok Voice 3.0 是 @SpaceXSI 的 Grok Voice 2.0 的继任者，这是一款可通过 SpaceXAI Realtime API 使用的语音到语音模型，价格为每分钟 $0.08。我们通过 SpaceXAI Realtime API 使用 Rex 语音对 Grok Voice 3.0 进行了评估。 关键要点： ➤ 语音到语音指数：Grok Voice 3.0 以 86.9 首次亮相即排名第 1，领先于 GPT-Live-1（Astra，medium）的 83.2、Gemini 3.8 Live Extended Thinking（High）的 82.6 和 GPT-Live-1（Sol，low）的 80.1。它高于 Grok Voice 2.0 的 81.3（+5.6 分）和 Grok Voice 1.0 的 73.7（+13.2 分），后者发布至今还不到六个月。该指数平均了语音推理（Big Bench Audio）、智能体性能（Tau Voice）、Arena 偏好和任务成功率 ➤ 语音智能体 Arena：Grok Voice 3.0 在偏好方面以 Elo 1070 排名第 3，落后于 Gemini 3.1 Flash Live Minimal（1100）和 Gemini 3.8 Live（1088），领先于 GPT-Live-1（Sol，low）的 1057，并以 94.8% 的任务成功率排名第 1，为榜单最高，略高于 Grok Voice 2.0 的 94.6%。Grok Voice 2.0 以 Elo 1011 落后 ➤ Tau Voice：Grok Voice 3.0 在我们实现的 Tau Voice 基准上以 71.6% 排名第 2，落后于 GPT-Live-1（Astra，medium）的 74.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 68.6% 和 GPT-Live-1（Sol，low）的 59.3%——高于 Grok Voice 2.0 的 56.5% ➤ Big Bench Audio：Grok Voice 3.0 在音频推理上得分 98.5%，领先于 Gemini 3.8 Live Extended Thinking（High）的 97.7% 和 Grok Voice 2.0 的 97.2% ➤ 速度：在 Big Bench Audio 上，Grok Voice 3.0 的平均首次音频时间为 0.81 秒，明显领先于 GPT-Live-1（Sol，low）的 1.24 秒、GPT-Live-1（Astra，medium）的 1.34 秒和 Gemini 3.8 Live Extended Thinking（High）的 1.35 秒，但慢于 Grok Voice 2.0 的 0.70 秒 ➤ 成本：Grok Voice 3.0 的输入音频成本为每小时 $4.80，与 Grok Voice 2.0 相同。这高于 GPT-Live-1（Sol，low）的 $4.47 和 Gemini 3.8 Live Extended Thinking（High）的 $3.50，低于 GPT-Live-1（Astra，medium）的 $5.83，并且比 GPT-Realtime-2.1 High 的 $10.75 便宜约 2.2 倍 祝贺 @elonmusk 和 @SpaceXSI 团队 🚀 更多详情见下方 ⬇️
推荐理由：作者引用第三方评测数据，读者可以据此对比 Grok Voice 3.0 与同类语音模型在评分、延迟和价格上的差异。
Inception Labs：Blog精选AI 评分6060 Inception Labs 发布扩散语音模型 Mercury Voice
Inception Labs 推出面向语音智能体的扩散大语言模型 Mercury Voice，面向企业客户开放。
推荐理由：原文给出具体的延迟、基准和定价数据，读者可以据此评估扩散语音模型在实时语音智能体场景的取舍。
ElevenLabs：Blog精选AI 评分7575 ElevenLabs 发布最富表现力的 Eleven v4 及低延迟 Turbo 版
ElevenLabs 发布语音合成模型 Eleven v4 及低延迟变体 Eleven v4 Turbo。
推荐理由：官方完整披露了新 TTS 模型的情绪控制、延迟数字、多语言和克隆能力，读者可据此评估是否切换现有语音方案。
Google DeepMind：Blog精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零设计声音、30 秒样本复刻声音，并提供逐行表演指导、长时音频生成和双说话人场景编排，覆盖 100 多种语言。
推荐理由：官方介绍了两款 TTS 模型的能力细节、评测名次和开放入口，开发者可以据此评估语音生成工作流的选型。
Qwen@Alibaba_Qwen精选AI 评分6767推荐理由：官方一次性给出五个音频模型的能力细节和三档降价幅度，读者可对照自身场景评估替换成本。
Qwen：Blog Retrieval精选AI 评分6969 Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，LAAL 降至 2.3 秒
Qwen 发布 Qwen3.8-LiveTranslate，采用 Interleave 架构与 Hybrid-MoE Thinker–Talker 设计重构实时同声传译，平均滞后（LAAL）从上一代的 2.8 秒降至 2.3 秒。
推荐理由：官方给出了架构设计、LAAL 从 2.8 秒到 2.3 秒的数字和多语言评测结果，读者可以据此评估其实时翻译能力的实际变化。
xAI：News精选AI 评分6464 xAI 发布 Grok Voice Transcribe 2.0 语音转写模型
xAI 发布语音转写模型 Grok Voice Transcribe 2.0，称在真实场景评测中准确率是 1.0 的两倍，价格不变，在 Artificial Analysis 榜单 32 个流式模型中准确率排名第一。
推荐理由：官方给出内部评测与公开榜单数据，并用同价翻倍准确率和定价细节说明升级幅度，适合评估语音转写方案时参考。
Qwen：Blog Retrieval精选AI 评分7878 Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash，主打音视频智能体任务交付
Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入及 1M token 上下文窗口，29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%，音频输入每小时价格下降超过 98%，音视频输入每小时价格下降超过 93%。
推荐理由：官方发布同时开放 API 和开源插件与运行时，读者可以据此评估音视频智能体在剪辑、会议、实时交互等工作流中的落地方式。
Google DeepMind：Blog精选AI 评分7070 Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两个近实时语音对话模型，主打语音智能体和复杂任务执行。
推荐理由：原文给出两个语音对话模型的定位分工和多项基准数字，读者可以据此评估其推理、成本与工具调用能力。
公众号：阶跃星辰精选AI 评分6666 阶跃星辰发布 StepAudio 3 系列语音大模型，多款在 Artificial Analysis 榜单全球第一
阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。
推荐理由：官方完整介绍了五款模型的能力与榜单成绩，可帮助读者了解语音模型在实时交互、理解和创作上的进展。
Suno@suno精选AI 评分6666Suno 发布 v6 模型，可将图片、视频和语音备忘录转化为音乐，并对已创建的歌曲进行精确修改。同时提供 v6-wild 版本供探索更多可能性，官方附有 2 分钟以内的功能演示视频。
推荐理由：官方宣布 v6 上线并给出多模态输入与歌曲精修能力，可据此了解音乐生成模型的最新变化。
Microsoft AI：官方博客精选AI 评分6464 Microsoft AI 发布语音识别模型 MAI-Transcribe-2
Microsoft AI 发布转录模型 MAI-Transcribe-2，称其在 FLEURS 基准 60 种语言上平均词错率 5.2% 排名第一，并占据 Artificial Analysis 准确率-延迟 Pareto 前沿。
推荐理由：官方给出具体基准排名、对比速度倍数和定价，读者可以据此评估它对现有语音转写方案的可替换性。
Meta AI：Research Blog精选AI 评分6464 Meta 发布实时音频感知模型 Muse Voice Transcribe
Meta Superintelligence Labs 发布 Muse Voice Transcribe，称其为首个实时音频感知模型，提供流式 ASR、最多 20+ 说话人的 diarization 和 endpointing。
推荐理由：原文给出流式 ASR、说话人分离和自适应延迟的技术细节与架构说明，读者可以了解其实时语音感知的实现方式。
Google DeepMind：Blog精选AI 评分6868 Gemini 3.5 Transcribe 发布：面向实时语音交互的高精度语音转文本模型
Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文本模型，支持流式与非流式两种 API。据 Artificial Analysis 评测，其流式与非流式平均词错率分别为 4.0% 和 2.6%，支持超 85 种语言、自定义词汇及最多三人说话人识别。
推荐理由：相较于上一代 Chirp 3，流式词错率降到 4.0% 且最终转录延迟改善 70%，会影响语音代理和实时字幕方案的成本与体验取舍。
FireRedTeam：原创语音与多模态项目精选AI 评分6464 FireRedTeam 开源 FireRedAudio 9B 通用音频语言模型
FireRedTeam 发布 FireRedAudio 的代码与模型，一个基于 9B 参数 LLM 的通用音频语言模型，采用理解与生成解耦的连续表征设计。单模型支持 ASR、音频理解、零样本 TTS、指令 TTS、语义与声学语音编辑，以及最长一小时录音的时序定位理解，在 MMAU、Seed-TTS-Eval 等基准上取得竞争性或领先结果。
推荐理由：官方发布了代码和权重，读者可以据此了解用一个 9B 骨干同时覆盖语音理解与生成的解耦表征设计。
FireRedTeam：原创语音与多模态项目精选AI 评分6565 FireRedTeam 开源 FireRedTTS3 语音生成与编辑模型
FireRedTeam 发布 FireRedTTS3，包含 Base 和 Instruct 两个变体，基于语义增强连续语音表征实现统一语音生成与编辑。
推荐理由：原文给出两个模型变体、语言覆盖和多项评测对比数据，读者可以据此评估它的克隆与编辑能力。
公众号：小红书技术精选AI 评分7575 小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座
小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。
推荐理由：连续自回归跳过离散 Token 的信息损失，又用语义编码器回灌历史抑制累积误差，为音色克隆和低步数流式共用同一基座提供了路径。