Hugging Face Blog精选AI 评分7070

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。

智能涌现AI 评分4343

Noiz获金沙江数千万元种子融资，推进理解声音物理信息的音频模型

音频智能公司Noiz完成数千万元种子轮融资，最新一轮由金沙江创投投资，此前获北极光创投和英诺天使基金支持。该公司构建了自研开源音频底座AudioX，全球用户突破200万，年经常性收入达百万美元。Noiz通过结合真实世界采集、物理声学仿真及用户行为数据，旨在打造能模拟声音产生与传播过程的声学智能基础设施。

硅星人ProAI 评分3333

硅星人Pro 推出「Builder Hub」平台持续追踪 AI 项目状态

硅星人Pro 将原有「每周AI项目推荐」栏目升级为「Builder Hub」平台，正式开放内测并支持外部入驻。该平台基于过去 20 期覆盖的 131 个 AI 项目数据，重点追踪 20 个高价值项目的融资、收入及状态变化，并持续记录 Builder 的连续创业轨迹以辅助早期判断。

腾讯研究院AI 评分3333

腾讯研究院发布 AI 每周关键词 Top50

腾讯研究院发布 8 月 3 日至 7 日 AI 领域每周关键词 Top50。榜单涵盖算力、模型、应用、观点及事件五大类，收录 GPT-5.6 降价、DeepSeek-V4-Flash、Astra 模型等 50 个热点主体与动态。该清单旨在帮助用户快速把握全局 AI 动态，关键条目支持点击查看资讯概述。

极客公园精选AI 评分6666

阿里推出 AI 语音生产力平台 CosyVoice Studio，整合听创聊全链路能力

8 月 7 日，阿里巴巴推出国内首个 AI 语音生产力平台 CosyVoice Studio，整合语音识别、语音合成、实时语音交互三类核心能力，覆盖听、创、聊全链路。

AI科技评论精选AI 评分6565

GPT-Live 底层拆解：OpenAI 如何让 95% 的音频帧不再延迟

OpenAI 发布 GPT-Live 工程文章，披露新版 ChatGPT 语音系统通过重写 Python 为 Go 及开发 WARP 协议，将 p95 音频帧延迟降至旧系统 p50 水平，WebRTC 网络往返从 6 次缩短至 1 次。系统采用双模型协作机制，将实时交互与复杂推理解耦，允许模型在用户打断时动态管理会话状态，实现了连续语音交互的工程化落地。

量子位AI 评分5454

智源&北大提出 InstructAV2AV：一句话完成音视频联合编辑（SIGGRAPH Asia 2026）

北京智源人工智能研究院与北京大学联合团队提出 InstructAV2AV，给定一段带声音的视频和一句自然语言指令，可在同一个端到端生成过程中同时编辑指定视觉对象及其对应声音，无需手工绘制掩码或边界框，相关工作已被 SIGGRAPH Asia 2026 接收，推理代码、模型权重、训练脚本、数据处理代码和 InsAVE-80K 数据集均已公开。

苍何AI 评分5454

阿里 Qoder 发布国内首个实时语音交互 Agent Qoder Voice

阿里 Qoder 推出国内首个实时语音交互 Agent Qoder Voice，用户可通过实时语音指令直接驱动 Agent 完成代码分析、合并 PR、处理 Issue 及本地部署等开发任务，全程支持随时打断纠正。

Andrej Karpathy@karpathyAI 评分2828

Andrej Karpathy 提出在 LLM 交互中采用“长语音闲聊”模式，建议用户通过 /voice 功能进行 10 分钟的自由语音输入。他指出 LLM 擅长重组无结构语音，能将杂乱的思绪转化为更清晰的逻辑结果，从而显著提升后续人机协作的准确度与效率。

Hugging Face BlogAI 评分5858

Hume 发布 Real World VoiceEQ：衡量语音 AI 的人性化质量基准

Hume 发布了名为 Real World VoiceEQ 的语音 AI 基准，用于评估语音系统识别、生成和响应转写文本之外的声学信息，包括语调、情绪、说话人身份和背景上下文。

Google Gemini API Release NotesAI 评分4040

gemini-3.1-flash-tts-preview 模型支持流式语音生成

gemini-3.1-flash-tts-preview 模型现已支持流式语音生成。该功能通过 streamGenerateContent 接口或 Interactions API 中的 stream: true 参数实现。

Google DeepMind精选AI 评分7474

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。

Google DeepMind精选AI 评分7373

Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

Google DeepMind 发布 Gemini 3.1 Flash TTS 模型，在 Artificial Analysis TTS 排行榜上获得 1211 分 Elo 评分。

Google Gemini API Release NotesAI 评分5252

Google 发布 Gemini 3.1 Flash TTS 预览版

Google 在 Gemini API 中上线了 Gemini 3.1 Flash TTS 预览版。该模型是一款文本转语音工具，具备成本效益、较强的表现力以及可调控性，并附带官方 Text-to-Speech 文档。

Google Gemini API Release NotesAI 评分5252

Google 发布 gemini-3.1-flash-live-preview 实时音频模型

Google 发布 gemini-3.1-flash-live-preview，这是一款面向实时对话与语音优先应用的音频到音频（A2A）模型。

Mistral AI精选AI 评分6565

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。

Mistral News精选AI 评分7474

Mistral 发布 Voxtral Transcribe 2 语音转写模型

Mistral 发布 Voxtral Transcribe 2 系列语音转写模型，包括用于批处理的 Voxtral Mini Transcribe V2 和用于实时应用的 Voxtral Realtime。

Google Gemini API Release Notes精选AI 评分6868

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。

Qwen BlogAI 评分5353

Qwen-TTS 发布：支持中英双语及北京、上海、四川方言生成

Qwen 团队通过 Qwen API 更新 Qwen-TTS，模型在数百万小时语音数据上训练，能根据输入文本自动调整韵律、语速与情感表达，并支持北京话、上海话、四川话三种中文方言。目前提供 Cherry、Ethan、Chelsie、Serena 及方言角色 Dylan、Jada、Sunny 共 7 种中英双语音色，后续将增加更多语言与风格选项。