Qwen3-TTS 升级：支持语音克隆和语音设计！
Qwen3-TTS 新增语音克隆与语音设计能力，Qwen Studio 集成聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 artifacts 等综合服务。
#语音
Qwen：Blog Retrieval
OpenAI Developers：BlogAI 评分5656 OpenAI 发布 2025-12-15 音频模型快照，提升语音代理可靠性与质量
OpenAI 发布四款新音频模型快照：gpt-4o-mini-transcribe-2025-12-15、gpt-4o-mini-tts-2025-12-15、gpt-realtime-mini-2025-12-15 和 gpt-audio-mini-2025-12-15，覆盖转写、语音合成与原生语音到语音，价格与旧快照相同。
xAI：News精选 xAI 发布 Grok Voice Agent API
xAI 开放 Grok Voice Agent API，基于自研语音栈（VAD、tokenizer、音频模型），Big Bench Audio 基准排名第一，首音频延迟低于 1 秒（比竞品快近 5 倍），定价 $0.05/分钟。支持数十种语言自动切换、实时搜索 X 和网页、调用自定义工具，已深度集成特斯拉车机。提供 Ara、Eve 等多种自然声线，支持 [whisper] 等听觉标签，兼容 OpenAI Realtime API 规范。
推荐理由：xAI发布Grok语音Agent API，延迟低于1秒且定价仅为OpenAI一半，已集成至Tesla车载系统
通义 QwenAudio：原创语音项目精选AI 评分6060 通义实验室开源 Fun-ASR 系列语音识别模型，含方言与 31 语言版本
通义实验室发布 Fun-ASR 端到端语音识别模型系列并开源。Fun-ASR-Nano-2512 参数量 800M，基于数千万小时语音训练，支持中英日三语、7 种汉语方言和 26 种地方口音；Fun-ASR-MLT-Nano-2512 同为 800M，基于数十万小时训练，支持 31 种语言。
推荐理由：原文给出两个识别模型的训练规模、语言覆盖和开源基准对比，还附部署与推理路径，读者可据此评估在中文和方言场景的可用性。
Google DeepMind：Blog精选AI 评分6868 Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 语音模型
Google DeepMind 发布更新的 Gemini 2.5 Flash Native Audio 模型，用于实时语音智能体，在 ComplexFuncBench Audio 上取得 71.5%，开发者指令遵循率从 84% 提升到 90%，已在 Google AI Studio、Vertex AI 上线，并开始在 Gemini Live 和 Search Live 推出。
推荐理由：原文给出具体评测分数和功能细节，读者可以据此评估新模型在语音智能体和翻译场景的可用性。
Qwen：Blog Retrieval Qwen3-TTS 更新！49 种音色 + 10 种语言 + 9 种方言
Qwen3-TTS 发布更新，支持 49 种音色、10 种语言和 9 种方言。Qwen Studio 平台同步提供聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 Artifacts 等全栈功能。
Hugging Face 社区博客精选AI 评分8383 Open ASR 排行榜新增多语言与长格式赛道，揭示模型性能新挑战
Hugging Face 的 Open ASR 排行榜新增多语言和长格式语音识别评估赛道。多语言赛道涵盖8种语言，长格式赛道则测试模型处理连续数分钟语音的能力。新榜单显示，领先模型在多语言任务上的词错误率平均比专用单语模型高约15%，在长格式任务上错误率可能上升超20%，凸显了模型在实际应用中的泛化能力仍面临严峻挑战。
推荐理由：ASR排行榜新增多语言和长形式评估，助力开发者优化语音应用。
OpenAI DevelopersAI 评分4545 OpenAI Cookbook：使用独立实时请求转录用户音频
OpenAI Developers 发布了一篇新的 Cookbook 教程，介绍如何使用带外（out-of-band）的 Realtime sessions 来转录用户音频。该资料仅提供了标题和链接，未包含具体的技术实现细节或代码示例。
Suno：Blog 音乐的未来已至
Suno 宣布完成 2.5 亿美元 C 轮融资，投后估值 24.5 亿美元，由 Menlo Ventures 领投，NVentures、Lightspeed 等跟投。过去两年近 1 亿用户在平台首次创作音乐，众多专业制作人和词曲作者也已将 Suno 纳入日常工作流。本轮资金将用于开发更精细的专业工具、优化普通创作者体验，并构建创作者与听众共生的社交音乐生态，推动音乐创作全民化。
ElevenLabs：Blog精选AI 评分6060 ElevenLabs 发布 Scribe v2 Realtime 实时语音转文字模型
ElevenLabs 发布实时语音转文字模型 Scribe v2 Realtime，延迟低于 150 ms，在 30 种常用欧洲和亚洲语言上达到 93.5% 准确率，并支持约 90 种语言。
推荐理由：官方公布了延迟、准确率等具体指标和主要功能，读者可据此评估其是否适合语音智能体等实时场景。
ElevenLabs：BlogAI 评分4545 ElevenLabs 推出 Iconic Marketplace，Michael Caine 等 25 位以上名人声音入驻
ElevenLabs 上线 Iconic Marketplace，一个面向企业的双向授权平台，供其申请使用名人声音进行项目与内容创作。平台已有 Michael Caine 及 Dr. Maya Angelou、Alan Turing、Liza Minelli、Art Garfunkel 等 25 位以上名人声音，并与 CMG Worldwide 等机构合作确保授权基于同意与合规。
Together AI 研究与产品博客AI 评分5858 Together AI 推出面向实时语音智能体的低延迟推理服务
Together AI 宣布扩展云端语音基础设施，推出 Streaming Whisper 流式转写（$0.0035/min）、首个 serverless 开源 TTS（Orpheus 187ms TTFB、Kokoro 97ms TTFB）以及 Voxtral 转写和说话人分离。
MiniMax：Blog精选 MiniMax发布新一代语音模型Speech 2.6
MiniMax发布语音模型Speech 2.6，端到端延迟降至250毫秒内，支持实时对话。新增多语言特殊格式解析能力，可自动朗读URL、邮箱、电话、日期及金额，无需预处理。推出Fluent LoRA功能，即使源录音带口音也能保留音色并生成流畅语音，支持40余种语言。已被LiveKit、Vapi等平台及智能硬件采用。
推荐理由：MiniMax发布Speech 2.6语音模型，支持Voice Agent场景，实现超低延迟与Fluent LoRA语音克隆优化。
Hugging Face 社区博客AI 评分5656 Hugging Face 提出语音同意门机制，探索带授权的语音克隆方案
Hugging Face 发布带授权语音克隆的语音同意门概念及示例 Space 和配套代码。系统先生成包含同意语句和模型名的全新句子，经 ASR 识别确认后，才允许用该音频驱动语音克隆 TTS，使同意成为可审计的系统前提；作者也指出该设计可被其他 TTS 伪造，未来可结合音频溯源和说话人嵌入校验。
美团 LongCat：HuggingFace 新模型精选 美团开源全模态模型LongCat-Flash-Omni
美团开源全模态模型LongCat-Flash-Omni，采用5600亿参数MoE架构（激活270亿），支持128K上下文与实时音视频交互。模型基于快捷连接MoE与零计算专家，配备轻量级编解码器及分块特征交错机制，通过课程式渐进训练提升效率。在OmniBench、WorldSense等基准测试中超越Qwen3-Omni与Gemini-2.5-Pro，在文档理解、语音识别及GUI控制等任务中达到领先水平。
推荐理由：美团开源 560B 参数多模态模型，27B 激活即可实现实时音视频交互
美团 LongCat：HuggingFace 新模型 meituan-longcat 发布 LongCat-Audio-Codec
meituan-longcat 发布开源项目 LongCat-Audio-Codec，致力于通过开源与开放科学推进人工智能技术的普及与民主化。该项目旨在促进音频编解码技术的开放获取，推动行业技术进步与开放生态建设。
Sierra：BlogAI 评分5454 Sierra 如何打造低延迟语音 AI 智能体
Sierra 通过优化语音到语音管道的每个阶段来降低延迟，使语音 AI 智能体听起来更自然而非机械。其工程方法涵盖从语音识别到生成的全链路延迟压缩，但具体技术细节和量化指标未在原文中披露。
ElevenLabs：BlogAI 评分5353 ElevenLabs Agents 平台推出可视化编排工具 Agent Workflows
ElevenLabs 为其 agents 平台推出 Agent Workflows，一个用于设计对话流程的可视化编辑器，可将任务路由到专门的 Subagents 并在需要时转接人工。
Liquid AI 模型与工程博客精选AI 评分6464 Liquid AI 发布 LFM2-Audio-1.5B 端到端音频基础模型
Liquid AI 发布 LFM2-Audio-1.5B，一个支持音频与文本输入输出的端到端基础模型，扩展了 LFM2 家族。
推荐理由：官方给出了 VoiceBench、ASR 词错率和低于 100ms 的延迟数据，读者可以据此评估 1.5B 参数模型在端侧实时语音场景的可用性。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5151 inclusionAI/Ming-UniAudio
研究团队发布了Ming-UniAudio，这是一个基于统一表示的大语言模型，专门用于语音任务。该模型能够联合处理语音的理解、生成与编辑，实现了多种语音功能的集成。它通过统一的框架，将传统上分离的语音识别、合成和修改任务整合进单一系统，提升了处理效率与协同能力。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分5757 inclusionAI发布MingTok-Audio：首个统一连续语音分词器
inclusionAI团队推出了MingTok-Audio，这是首个能有效融合语义与声学特征的统一连续语音分词器，适用于语音理解与生成任务。该模型基于纯因果Transformer架构，去除了卷积层以提升效率，并采用VAE进行连续特征建模以实现高质量音频重建。在语音重建性能上，其帧率为50，在SEED-ZH和SEED-EN测试集上的PESQ分别达到4.21和4.04，SIM为0.96，STOI为0.98，显著优于对比模型。在下游ASR任务中，其在多个方言数据集上取得了更低的错误率，例如在Hunan Minnan数据集上WER低至9.80%。
推荐理由：蚂蚁把语音 tokenizer 做到了 PESQ 4.2 的离谱分数，比第二名翻了快一倍，做语音理解和生成的团队值得拿这个当新 baseline 跑一下。
Suno：Blog Suno Studio 正式发布
Suno 推出全球首款生成式音频工作站 Suno Studio，将 AI 生成能力融入音乐创作核心。支持即时生成无限 stem 变体（人声、鼓点、合成器等），提供多轨时间线编辑、BPM 和音高调整等专业控制，可导出音频与 MIDI 文件至其他 DAW。兼容从业余爱好者到专业作曲家的各类创作者，桌面版现已向 Premier 用户开放。
公众号：小米 MiMoAI 评分5454 小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio
小米开源其首个原生端到端语音大模型 Xiaomi-MiMo-Audio，被定位为语音开源领域的“LLaMA 时刻”，对标此前语音闭源领域的“GPT-3 时刻”。该模型具体参数、评测分数及开源协议尚未披露。
Sierra：BlogAI 评分4949 Sierra 发布 Voice Sommelier：为品牌匹配最佳语音的实践指南
Sierra 推出 Voice Sommelier，一套为品牌选择 AI 语音的最佳实践方法。该指南聚焦如何根据品牌调性匹配语音参数（如音高、语速、音色），而非仅依赖默认选项。Sierra 强调，合适的语音能提升用户信任感与交互完成率，建议品牌通过 A/B 测试和用户反馈迭代优化语音选择。
OpenAI Developers：Blog精选AI 评分7272 OpenAI 发布 Realtime API GA 版与 gpt-realtime 模型开发者说明
OpenAI 介绍 gpt-realtime 语音模型和 Realtime API 正式可用（GA）后的接口变化与新功能。
推荐理由：官方逐一解释了 GA 版接口变化和新功能的使用场景，对正在接入 Realtime API 的开发者有直接参考价值。
FireRedTeam：原创语音与多模态项目精选AI 评分6464 FireRedTeam 开源 FireRedChat 全自托管全双工语音交互方案
FireRedTeam 发布 FireRedChat，一个完全自托管的实时语音 AI 智能体全双工交互解决方案。系统集成了 TTS、ASR、pVAD（个性化语音活动检测）和 EoT（结束轮次检测），不依赖外部 API、无数据泄露、部署完全可控。
推荐理由：官方发布了可完全自托管的实时语音智能体方案，组件构成和部署路径都写清楚了，适合评估私有化语音交互搭建。
FireRedTeam：原创语音与多模态项目精选AI 评分6262 FireRedTeam 开源 FireRedTTS-2 长对话语音生成模型
FireRedTeam 发布 FireRedTTS-2，一款面向播客和聊天机器人的长对话流式 TTS 系统，支持最多 3 分钟、4 个说话人的多语种对话生成，覆盖中英日韩法德俄语并支持零样本跨语言音色克隆。
推荐理由：官方开源了长对话流式语音合成模型，给出多语言支持、延迟数据和部署方案，适合关注播客与对话生成的读者参考。
Microsoft AI：官方博客精选AI 评分7171 Microsoft AI 发布 MAI-Voice-1 并在 LMArena 公测首个自研基础模型 MAI-1-preview
Microsoft AI（MAI）发布语音生成模型 MAI-Voice-1，单张 GPU 可在一秒内生成一分钟音频，已用于 Copilot Daily 和 Podcasts。
推荐理由：官方公布两款自研模型的技术细节与试用入口，可据此了解其训练规模和落地进展。
OpenAI：官网动态精选AI 评分7373 OpenAI 发布 gpt-realtime 语音模型并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并带来 Realtime API 更新。新增能力包括 MCP server 支持、图像输入，以及 SIP 电话呼叫支持。
推荐理由：官方发布明确了语音模型升级和 API 新增能力范围，读者可据此评估对语音应用开发的可用性。
OpenRouter：AnnouncementsAI 评分4343 OpenRouter 应用新增语音输入和 PDF URL 支持
OpenRouter 平台现支持在应用中使用语音输入功能，并允许通过 URL 发送 PDF 文件。该功能适用于平台上的任意模型。
OpenAI DevelopersAI 评分4545 OpenAI 发布实时音频开发指南
OpenAI Developers 发布了关于 Realtime API 和音频处理的官方指南，内容涵盖如何构建实时语音代理、进行实时翻译以及实现流式转录。该指南主要面向开发者，提供低延迟场景下的技术实现参考。
OpenAI DevelopersAI 评分4545 OpenAI Realtime API 实时语音翻译指南
OpenAI 开发者文档发布了一篇关于如何使用 Realtime API 构建实时语音翻译应用的指南，涵盖了低延迟流式音频处理等技术要点。
Mistral AI：NewsAI 评分5757 Mistral 为 Le Chat 推出 Deep Research、语音模式、Projects 等多项新功能
Mistral 宣布 Le Chat 上线多项新功能，包括 Deep Research 预览模式、基于 Voxtral 模型的语音模式、由 Magistral 推理模型驱动的多语言思考模式、按项目组织对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
Mistral AI：News精选AI 评分7272 Mistral 发布开源语音理解模型 Voxtral，提供 24B 与 3B 两个版本
Mistral 发布语音理解模型 Voxtral，含 24B 和 3B 两个版本，均采用 Apache 2.0 许可并可在 Hugging Face 下载，同时上线 API，转录定价每分钟 $0.001 起。
推荐理由：官方发布开源语音理解模型，给出能力细节、基准对比和价格，读者可据此评估是否替代现有 ASR 方案。
OpenMOSS / 复旦NLP / 上海创智 / MOSI精选AI 评分6969 OpenMOSS 开源 MOSS-TTSD-V0 中英双语对话语音生成模型
OpenMOSS 发布并开源 MOSS-TTSD-V0，支持中英双语对话语音生成、零样本双说话人音色克隆、声音事件控制和长语音生成，模型权重、推理代码和 API 全部开源并支持商用。
推荐理由：原文给出训练数据规模、Codec 设计和对比结果，读者可据此评估这个开源对话语音模型的可复用价值。
Sierra：BlogAI 评分4949 Sierra 如何打造更拟人的 AI 语音体验
Sierra 分享其 AI 语音智能体在真实通话中的三项经验：自研 Voice Activity Detection（VAD）系统可区分背景噪音、打断与附和；智能体能同时思考与倾听、倾听与说话、说话与思考，并实时纠错；语音场景下更多上下文反而提升问题解决效果。Sierra 称其平台上的 AI 智能体可提供 24/7 语音支持，无需等待、转接或回拨，无法解决时可无缝转接人工坐席。
Hugging Face 社区博客AI 评分5757 Hugging Face Inference Endpoints 发布 Whisper 高速部署，RTFx 提升近 8 倍
Hugging Face 在 Inference Endpoints 上推出新的 OpenAI Whisper 部署选项，推理由 vLLM 驱动，Whisper Large V3 的 RTFx 相比此前版本提升近 8 倍且转录质量不降。
Sarvam AI精选AI 评分6161 印度政府在 IndiaAI Mission 下选定 Sarvam 构建主权大语言模型
印度政府依据 IndiaAI Mission 选定 Sarvam 从零构建印度主权大语言模型，并提供专属算力资源。模型具备推理能力、面向语音设计并精通印度语言，计划实现大规模安全部署。
推荐理由：官方公告明确了主权模型的三档规格与本土部署定位，可以据此了解印度 AI 基础设施的建设思路。
OpenAI：官网动态精选AI 评分6363 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型。开发者首次可以指示文生语音模型以特定方式说话，例如像有同理心的客服人员那样讲话，为语音 Agent 带来更深层的自定义能力。
推荐理由：原文来自 OpenAI 官方，说明开发者可用自然语言指示语音模型按特定方式说话，语音 Agent 的自定义方式值得关注。
Zyphra Research精选AI 评分7171 Zyphra 发布 Zonos-v0.1 beta 开源 TTS 模型
Zyphra 以 Apache 2.0 许可发布 Zonos-v0.1 beta，包含 1.6B transformer 与 1.6B SSM hybrid 两个实时 TTS 模型，后者是首个开源 TTS SSM 模型。
推荐理由：官方发布了模型权重、API 定价和架构细节，读者可以据此评估开源 TTS 与专有模型的差距与可用性。