用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾服务
这是一篇 AWS 教程，介绍如何用 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases 为航空应用搭建语音旅行礼宾服务，支持改座位、改餐食偏好、回答政策问题并转接人工客服。
#语音
#语音
今日 1 条AWS Machine Learning BlogAI 评分3838
AWS Machine Learning BlogAI 评分4242 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用 – Part 1
AWS 在 SageMaker AI 上通过 vLLM-Omni Deep Learning Container 部署 Qwen3-TTS，实现双向流式语音输出，可在完整生成前提前播放语音。
AWS Machine Learning BlogAI 评分5151 在 Amazon SageMaker AI 上部署 Qwen3-TTS-12Hz-1.7B-Base 实现实时语音克隆
AWS Solutions Architect 撰文演示通过 Amazon SageMaker JumpStart 部署 Qwen3-TTS-12Hz-1.7B-Base 到实时推理端点，用几秒参考音频克隆说话人声音而无需重训模型。
Google DeepMindAI 评分4747 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为对话式 AI 带来实时视觉形象
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将近乎实时的视频生成与语音结合，为 Gemini 的对话式 AI 提供动态视觉形象，具备精确唇形同步、自然表情和流畅轮次切换。
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。
OpenAI NewsAI 评分2929 Ringg 的 AI 智能体借助 OpenAI 解决多达 65% 的客户来电
Ringg 使用 GPT-5.6 构建支持语音、聊天、WhatsApp 和网页渠道的多语言 AI 智能体，可解决多达 65% 的客户来电。相比 GPT-4.1，成本降低 90%。
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。
OpenAI News精选AI 评分6565 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，带来自然的全双工语音对话能力。该模型还提供更强的指令遵循、自定义音色和电话（telephony）支持。
推荐理由：官方公告列出全双工语音、自定义音色和电话支持等能力，读者可据此评估语音应用的接入选项。
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 Blog精选AI 评分6262 Hugging Face 研究量化语音识别模型的基准优化行为，高分模型会复现错误基准文本
Hugging Face 发布研究，用一致性分歧探针、数字静默检索和拼写切换三类测试，评估 11 个开源 ASR 模型的基准优化（benchmaxxing）行为。
推荐理由：原文用三类探针量化语音识别中的基准优化现象，并给出模型名单、比例数据与可复用的检测脚本，读来能帮助避开仅看 WER 的选型误区。
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。
Hugging Face BlogAI 评分5656 Hume 发布 Real World VoiceEQ 基准，评估语音 AI 的人性化质量
Hume 发布 Real World VoiceEQ 基准，评估语音 AI 交互的人性化质量，覆盖 ASR、TTS、S2S 和语音理解，评测 40 多个主流闭源与开源语音模型、15+ 维度和 60 多项指标。
Hugging Face Blog精选AI 评分6161 Hugging Face 与 Cerebras 打造基于 Gemma 4 的实时语音 AI 流水线
Hugging Face 与 Cerebras 联合展示了一套实时语音到语音架构：语音输入经 Nvidia 的 Parakeet 做语音识别，由 Cerebras 上运行的 Google DeepMind Gemma 4 31B 完成推理，再用 Alibaba 的 Qwen3TTS 合成语音输出。
推荐理由：原文给出完整的开源语音到语音技术栈和各层组件，开发者可以据此搭建或替换自己的实时语音 AI 流水线。
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。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 Gemini 3.1 Flash TTS，新增 audio tags 语音控制
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 排行榜上获得 Elo 1,211 分，支持 70+ 语言和原生多说话人对话。
推荐理由：官方介绍了 audio tags 和 AI Studio 场景控制等新能力，读者可以了解 TTS 语音表达控制的实际用法。
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 AIAI 评分5252 Mistral AI 为 Le Chat 推出 Deep Research、语音模式、Projects 等新功能
Mistral AI 为 Le Chat 推出一批新功能：预览版 Deep Research 可生成带引用的结构化研究报告，语音模式由新模型 Voxtral 驱动，Think 模式由推理模型 Magistral 驱动并支持句中切换语言，Projects 可将对话分组管理并保留工具设置，还与 Black Forest Labs 合作提供图像创建与编辑。
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。