⌘ K
… 读取采集状态 同步中...
雷

#语音

今日 0 条
10月8日周四
  1. Hugging Face Blog46

    Falcon-ASR 发布:1.6B 参数多语言语音识别模型

    TII 发布 1.6B 参数语音识别模型 Falcon-ASR,重点优化阿联酋方言,支持英语、法语、西班牙语和葡萄牙语。该模型在六个阿拉伯语测试集的平均 WER 为 20.92%,优于最佳公开结果的 23.17%;内部阿联酋方言评测 WER 为 22.73%,CER 为 10.19%。目前已提供 Hugging Face Demo Space 供用户体验,API 接入和原生应用正在规划中。

10月7日周三
9月30日周三
  1. Hugging Face Blog50

    Hugging Face 发布 Open TTS Leaderboard,基于客观指标评估多语言开源 TTS 与语音克隆

    Hugging Face 推出 Open TTS Leaderboard,使用 Qwen3 ASR 的 WER 及 H200 GPU 上的 RTFx 等客观指标,替代部分人工投票评估开源多语言 TTS 模型。该榜单支持语音克隆相似度(SIM)评测及流式 TTFA 性能对比,旨在解决开源 TTS 模型在现有竞技场中占比低及评估标准碎片化的问题,评测耗时从数周缩短至数小时。

9月23日周三
9月22日周二
9月16日周三
9月15日周二
9月10日周四
9月3日周四
  1. Google Gemini API Release Notes66

    Google Lyria 3.5 音乐生成模型正式版上线

    Google 正式发布下一代音乐生成模型 Lyria 3.5 正式版。该模型支持全曲生成,提升音乐连贯性与自然人声表现,提供细粒度时长与结构控制,接受文本与图像输入,并生成 44.1 kHz 立体声高保真音频。

    推荐理由:Lyria 3.5 正式 GA,用户可直接调用其全曲生成、44.1 kHz 立体声音频与更细时长的官方入口。

8月28日周五
  1. Hugging Face Blog45

    Open ASR Leaderboard 新增首个全球南方语言:印地语评测集

    Hugging Face 与 Voice Arena 合作在 Open ASR Leaderboard 引入印地语和印度英语评测集 Monsoon en-IN 与 Monsoon hi-IN。这是该榜单首个非欧洲语言,包含 4,888 名说话人,分为公开和私有分割以限制基准优化。评测集覆盖了 9 个变化维度,并记录 12 项说话人属性,旨在解决 ASR 误差率分布不均的问题。

8月27日周四
8月26日周三
  1. Google Gemini API Release Notes65

    Google 发布 Gemini 3.5 Transcribe 及 Live 实时语音转写模型

    Gemini 3.5 Transcribe 正式推出,包含两款专用语音转写模型。Gemini 3.5 Transcribe 支持 85 种以上语言的无流式高精度低延迟转写,提供说话人分离、词级时间戳及最多 1000 条自定义词汇偏置。

    推荐理由:官方提供了两款专用模型的能力差异与技术参数,便于开发者按非流式与流式场景选型。

8月25日周二
8月21日周五
  1. Hugging Face Blog46

    Hugging Face 研究量化语音识别基准优化现象

    Hugging Face 发布最新研究,引入三项测试量化语音识别模型中的“基准优化”现象。评估 11 个开源 ASR 模型发现,高分模型常在音频内容与基准转录不符时仍复现错误参考文本,甚至依赖声学线索识别基准来源。这表明现有分数可能高估了模型对通用语音的实际转录能力。

8月11日周二
  1. Hugging Face Blog70

    NVIDIA Magpie TTS 多语言语音模型发布:开放权重与全部署控制

    NVIDIA 发布 Magpie TTS 多语言版本,作为 364M 参数开放权重模型支持 12 种语言,新增阿拉伯语、韩语和巴西葡萄牙语。模型通过帧堆叠和局部 Transformer 架构改进降低推理延迟,在 B200 GPU 单流场景下 Time to First Audio 仅为 32ms,开发者可利用开放权重在自管基础设施中定制并部署低延迟多语言语音 Agent。

    推荐理由:文章解析了 Magpie TTS 在降低延迟方面的架构改进与多语言支持现状,为构建可控的语音 Agent 提供了技术选型依据。

7月15日周三
6月17日周三
6月9日周二
  1. Google DeepMind74

    Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型

    Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate,支持 70+ 语言的近实时语音到语音翻译,自动检测语种并保留说话者的语调、节奏和音高,连续生成译文,仅比说话者落后几秒。

    推荐理由:原文说明了从逐句等待到连续生成的机制差异,读者可据此理解它为何能做到低延迟。

4月16日周四
4月15日周三
3月26日周四
3月24日周二
  1. Mistral AI65

    Mistral 发布 Voxtral TTS 语音模型

    Mistral 发布其首个文本转语音模型 Voxtral TTS,这是一个拥有 4B 参数的模型,支持 9 种语言并具备实时流式生成能力。该模型在自然度和情感表现力上优于 ElevenLabs Flash v2.5,且与 ElevenLabs v3 处于同等水平。

    推荐理由:模型在零样本语音适配中展现出跨语言自然度优势,为语音智能体架构提供了低延迟参考。

12月10日周三
  1. Google Gemini API Release Notes68

    Google 发布 Gemini 2.5 Flash TTS 与 Pro TTS 预览版

    Google 发布 Gemini 2.5 Flash TTS 和 Gemini 2.5 Pro TTS 预览版,前者侧重低延迟优化,后者侧重音质优化。两款模型均支持增强表达力、精准节奏控制及无缝对话能力。

    推荐理由:原文明确了两款新TTS模型在延迟和音质上的侧重,便于开发者根据场景快速选型。