FireRedTeam 开源 FireRedASR 工业级语音识别模型，含 AED 与 LLM 两个变体
FireRedTeam 开源工业级 ASR 模型 FireRedASR，支持普通话、中文方言和英文，在公开普通话 ASR 基准上取得 SOTA，并具备歌词识别能力。
推荐理由：原文给出两个模型变体的架构差异和公开基准 CER/WER 对比数字，读者可据此评估选型。
#语音
FireRedTeam：原创语音与多模态项目精选AI 评分7070
Sierra：BlogAI 评分4747 Sierra 为 AI 智能体新增语音通话能力
Sierra 宣布其 AI 智能体现在可以接听电话，将对话式 AI 从聊天扩展到语音渠道。该语音能力可接入现有呼叫中心平台与 IVR 系统，支持实时情绪识别、必要时转接人工，并在每次转接时附上 AI 生成的摘要。Sierra 称其聊天智能体的客户满意度评分多在 4.5/5 以上。
OpenAI：官网动态精选AI 评分7070 OpenAI 推出 Realtime API，支持构建语音到语音体验
OpenAI 推出 Realtime API，开发者现在可以在应用中构建快速的语音到语音（speech-to-speech）体验。
推荐理由：原文宣布 Realtime API 开放，开发者可以把快速语音到语音体验直接构建进应用。
FireRedTeam：原创语音与多模态项目AI 评分5757 FireRedTeam 开源 FireRedTTS-1S 流式语音合成系统
FireRedTeam 在 GitHub 发布可流式生成的语音合成系统 FireRedTTS-1S，提供预训练权重、推理代码和技术报告。支持零样本声音克隆，新增 flow matching 解码器可选，参考音频建议 3 到 10 秒，项目仅限学术研究用途。
通义 QwenAudio：原创语音项目精选AI 评分6262 FunAudioLLM 发布 Fun-CosyVoice 3.0 开源语音合成模型
通义 FunAudioLLM 团队开源基于 LLM 的 TTS 系统 Fun-CosyVoice 3.0，官方称在内容一致性、说话人相似度和韵律自然度上超越前代 CosyVoice 2.0，面向零样本多语言语音合成。
推荐理由：官方发布开源 TTS 新版本，附评测表、安装与部署方式，适合关注多语言语音合成落地的开发者参考。
通义 QwenAudio：原创语音项目精选AI 评分6161 SenseVoice 开源语音理解模型仓库：支持 ASR、情感识别与音频事件检测
SenseVoice 是一个语音理解基础模型，支持 ASR、语种识别、语音情感识别和音频事件检测。发布的 SenseVoiceSmall 检查点支持普通话、粤语、英语、日语和韩语，并输出情感与事件标签；采用非自回归端到端架构，同参数量级下推理速度比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍以上。
推荐理由：官方仓库文档同时给出基准对比、部署路径和微调方案，读者可以据此评估 SenseVoice 在中英文语音识别场景的可用性。
Sam Altman：Blog精选 GPT-4o
OpenAI 将 GPT-4o 向所有 ChatGPT 用户免费开放，无广告。全新语音（及视频）模式响应速度接近人类，表现力极强，被 Sam Altman 称为「用过最好的计算机界面」，像电影里的 AI。未来还将支持个性化、代操作等功能。
推荐理由：Sam Altman 解读 GPT-4o 发布，强调语音交互与免费策略
Eugene Yan：WritingAI 评分5858 Eugene Yan 用 Vapi 和 Claude 3 搭建可通话的 AI 教练
Eugene Yan 分享他基于 Vapi 平台和 claude-3-sonnet 模型搭建的语音 AI 教练 Tara，用于散步时倾诉焦虑、梳理思路和预演困难对话。文章给出 10 分钟搭建教程，包括系统提示词、购买每月 2 美元的虚拟号码，并公开了演示号码 +1 (206) 558 8782。
OpenAI：官网动态AI 评分4949 OpenAI 分享 Voice Engine 自定义语音模型小规模预览的经验
OpenAI 分享了自定义语音生成模型 Voice Engine 小规模预览的经验教训。该模型可根据文本创建自定义语音，目前仍处于小范围测试阶段。
Hugging Face 社区博客AI 评分5252 Hugging Face 推出 TTS Arena：实战对比文生语音模型
Hugging Face 推出 TTS Arena，一个在真实使用中对比评测文生语音（TTS）模型的基准平台。正文抓取失败，仅标题可用，更多细节以原文链接 https://huggingface.co/blog/arena-tts 为准。
Ilya Sutskever@ilyasut未来，一旦我们模型的稳健性超过某个阈值，我们将拥有*极其有效*且极其便宜的 AI 心理咨询。这将从根本上改善人们的生活体验。这是我最热切期待的应用之一。
引用Lilian Weng@lilianwengJust had a quite emotional, personal conversation w/ ChatGPT in voice mode, talking about stress, work-life balance. Interestingly I felt heard & warm. Never tried therapy before but this is probably it? Try it especially if you usually just use it as a productivity tool.
Hugging Face 社区博客AI 评分5454 Hugging Face 发布音频数据集完整使用指南
Hugging Face 发布音频数据集完整指南，演示用 🤗 Datasets 库一行代码加载 GigaSpeech 等数据集并用 13 行代码完成重采样、预处理和过滤。指南还介绍了流式模式可绕过磁盘空间限制（GigaSpeech xl 配置需超 1TB 存储），并汇总了 Hub 上热门的语音识别、语音翻译和音频分类数据集。
Hugging Face 社区博客精选AI 评分6868 Hugging Face 发布 Whisper 多语言 ASR 微调教程
Hugging Face 发布使用 🤗 Transformers 对 Whisper 进行多语言语音识别（ASR）微调的分步教程。
推荐理由：完整给出从数据准备到训练和 Gradio 演示的代码流程，仅用 8 小时印地语数据把 WER 从 63.5% 降到 32%，方法可直接迁移到其他语言。
OpenAI：官网动态精选AI 评分7474 OpenAI 开源语音识别模型 Whisper
OpenAI 训练并开源了名为 Whisper 的神经网络，其英文语音识别的稳健性和准确率接近人类水平。
推荐理由：原文来自 OpenAI 官方，点明 Whisper 在英文语音识别上的稳健性和准确率接近人类水平，并直接开源。