标签
Ant 发布了开源音频模型家族 Ming-3.0 Audio，采用 MIT 许可并开放权重与代码，支持语音与文本混合输入，并可输出文字或语音回复，提供 126B 总参数的 Flash 和 9.3B 总参数的 tiny 两个 MoE 检查点。
AI 音乐平台 Suno 正在推出 Speech（语音）公测功能，可根据脚本或提示词生成人声旁白，并与同步的背景音乐一起输出为一段完整的音频轨道。
论文介绍了StepAudio3Realtime，一个面向实时语音交互的音频语言基础模型，利用连续的听-说-想-行动循环结合Think-While-Speaking技术，以实现深度推理和低延迟，在MMSU和Full-Duplex Bench等基准测试中达到顶尖性能。
开发者宣布计划加速 LFM2.5-Audio-1.5B 模型，采用强化学习方法和合成数据，重点关注英语，并分享了 Mimi 编解码器模型的优化，以提升开源发布的速度和质量。
Vercel 宣布 Google 的 Gemini 3.5 Transcribe 模型现已在 AI Gateway 上可用，支持实时和录音音频转录，涵盖超过 85 种语言，具有自动语言检测和自定义词汇功能。
Fish Audio S2 是一个新的开源权重音频模型，可在 Hugging Face 上获取。它提供两个模型分别处理时序和声学细节，推理速度快，并且有托管版本 S2.1 Pro，支持 83 种语言，成本低于 ElevenLabs。
Dia 是一个1.6B参数的开源文本转语音模型，能够根据转录文本生成英语对话，支持双说话人生成、音频条件控制以及非语言提示。
发布了一个模型(Stereo2Spatial)，可将立体声音乐曲目转换为空间化双声道混音，采用流匹配扩散和振幅提升技术以实现稳定训练。该模型及一款Windows应用均以Apache 2.0许可证开源。
OpenAI 正在为 ChatGPT 推出新的双向语音模型（Bidi 1），该模型支持同时说话、听到和聆听，实时翻译，以及改进的对话上下文处理。升级已在部分用户的网页界面和应用程序中出现，预计很快会广泛发布。
OpenAI正准备发布GPT-Bidi-1，这是一个面向ChatGPT的下一代语音模型，支持双向通信、打断和句中调整，旨在缩小语音与文本能力之间的差距。
Gemini 3.5 Live Translate 是一款全新的音频模型，用于实时语音到语音翻译。
Google 发布了 Gemini 3.5 Live Translate，这是一款音频模型，支持超过 70 种语言的近乎实时的语音到语音翻译，并保留说话者的语调和节奏。该功能正在 Google 产品中逐步推出，包括 Gemini Live API、Google Meet 和 Google Translate。
Google 发布了 Gemini 3.1 Flash Live，这是一款全新的高质量音频模型，专为更自然、更可靠的实时语音交互而设计，具备更低的延迟和更强的推理能力。