跳到正文
#语音
  1. Hugging Face Blog65

    Hugging Face 推出 Open TTS Leaderboard：多语言与声音克隆语音评测榜单

    Hugging Face 推出 Open TTS Leaderboard，采用客观自动化指标对开源文本转语音（TTS）模型进行多语言性能、推理延迟与声音克隆维度的评测。

    推荐理由：榜单通过自动化客观指标替代耗时的人工盲测投票，为多语言与声音克隆模型的选型提供了可量化的参考。

  1. Google DeepMind78

    Google 推出 Gemini 3.8 Live 实时数字人功能 Live Avatar

    Google DeepMind 宣布在 Gemini Enterprise 中推出 Gemini 3.8 Live with Live Avatar，为实时对话模型引入近实时的视觉形象与流式视频生成能力。该功能支持在对话进行的同时于后台异步调用工具并获取数据，具备跨 97 种语言的口型与表情同步，并允许企业基于参考图像定制专属形象。所有音视频输出均直接嵌入 SynthID 水印以确保内容可检测。

    推荐理由：企业级交互通过异步工具调用缓解了生成等待带来的停顿问题，使模型在后台查询数据的同时维持自然对话流。

  1. Google DeepMind75

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

    Google DeepMind 正式推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持通过自然语言提示词定制角色声音、30 秒音频克隆以及双角色逐行台词编排。

    推荐理由：模型通过自然语言提示词定制角色声音并支持双角色台词编排，为游戏、播客及有声书的长音频生成提供了细粒度表演控制方案。

  1. Google DeepMind82

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 实时对话模型

    Google DeepMind 推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时对话模型，主打近实时推理与语音智能体能力。

    推荐理由：新模型将并发多步推理融入低延迟语音交互，为开发者构建支持后台工具调用的复杂语音智能体提供了实用基准。

  1. OpenAI News70

    OpenAI 在 API 中推出 GPT-Live-1 语音模型

    OpenAI 在 API 中推出 GPT-Live-1，提供更自然的全双工语音对话能力。该模型具备更强的指令遵循能力，并支持自定义声音和电话功能接入。

    推荐理由：该模型通过全双工对话与电话接入拓展了实时语音能力，便于开发者在 API 中构建定制化语音应用。

已经到底了