Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming 与语音模型 MAI-Voice-2.1
Microsoft AI 发布实时语音转写模型 MAI-Transcribe-2-Streaming，称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首批部分结果延迟仅 100 多毫秒，年底前每小时音频定价 $0.54。
#语音
#语音
今日 0 条The DecoderAI 评分6363
Google DeepMind精选AI 评分6464 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 于 9 月 23 日发布 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在超过 100 种语言中自定义角色声音、从 30 秒音频样本复刻声音、逐行指导表演节奏与方言变化，并原生支持双说话人场景生成。
推荐理由：官方公告给出了两款 TTS 模型的能力细节、基准成绩和开放渠道，读者可以据此判断语音创作工作流的变化。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，分别面向规模化性价比和高复杂度多步推理任务。
推荐理由：官方给出了两条产品线的能力分工和多项基准数字，可帮助读者判断语音智能体场景下的选型取舍。
Google DeepMind精选AI 评分6464 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，定位为更精准、支持智能交互的实时语音转写模型。模型可将原始音频直接转为格式化文本，自动清除口头语和自我纠正，支持自定义词表、超过 85 种语言、最多三名说话人区分，并可通过 function calling 调用其他 Gemini 模型。
推荐理由：官方公布了模型在噪声环境、自定义词表和多说话人场景的能力细节与 API 入口，读者可据此评估语音转写工作流能否迁移。
Hugging Face BlogAI 评分5757 NVIDIA Magpie TTS Multilingual 发布开放权重更新，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual 更新，该 364M 参数开放权重模型现支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型，支持 70+ 语言近实时语音转语音翻译
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言自动检测的近实时语音转语音翻译，连续生成保留说话者语调、节奏和音高的译文，全程仅落后说话者几秒。
推荐理由：官方公告给出了模型能力、开放入口和各产品落地细节，读者可以据此判断它对实时语音翻译工作流的改变。
Mistral AI精选AI 评分6565 Mistral AI 发布 4B 文本转语音模型 Voxtral TTS
Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，支持英语、法语、德语等 9 种语言，定位低延迟语音生成。模型在人工评测中自然度超过 ElevenLabs Flash v2.5，与 ElevenLabs v3 质量相当；10 秒样本加 500 字符的模型延迟为 70ms，RTF 约 9.7x。
推荐理由：原文给出延迟、价格、人评对比和开源许可等关键细节，方便读者评估它在语音 Agent 场景中的可用性。
Mistral AI精选AI 评分6565 Mistral 发布 Voxtral Transcribe 2 语音转写模型，Realtime 开放权重
Mistral AI 发布 Voxtral Transcribe 2，含 Voxtral Mini Transcribe V2 与 Voxtral Realtime 两款语音转写模型，支持 13 种语言、说话人分离和词级时间戳。
推荐理由：官方给出两款转录模型的延迟、错误率和价格数据，并开放 Realtime 权重，读者可据此对比现有语音方案。
Mistral AI精选AI 评分7070 Mistral 发布开源语音理解模型 Voxtral，提供 24B 与 3B 两个版本
Mistral 发布开源语音理解模型 Voxtral，含 24B 的 Voxtral Small 和 3B 的 Voxtral Mini，均采用 Apache 2.0 许可证并可通过其 API 调用，价格低至每分钟 $0.001。
推荐理由：官方公布了两个尺寸的开源语音理解模型、基准成绩和 API 价格，读者可据此评估其替代现有 ASR 方案的可行性。