标签
ServiceNow 发布了 Apriel Voice 27B 预览版，这是一个基于 Gemma 4 骨干网络的开源语音、推理与工具调用模型，支持语音理解、多模态上下文和函数调用，可搭配外部语音合成器构建语音助手。
Dessa 推出一个仅基于语音数据训练的对话模型（Conversation Model），相关页面由 Block 管理，目前可见内容主要为网站隐私政策说明。
Block 发布了 Dessa，这是一款完全基于真人语音训练的全双工语音到语音模型，可在消费级 GPU 上本地运行，能够生成富有表现力、宛如真人般的对话，并内置情感表达。
Decagon 推出其新型语音模型 Chord，由 Decagon Labs 团队开发，在 Modal 上完成训练与部署，具备低首帧音频延迟和高并发下的稳定表现。Chord 经过后训练以保持语速和语音自然度，并在所有部署中提升了问题解决率。
Wispr Flow推出Canto，这是一款专为实时听写设计的语音模型，即使在嘈杂和复杂的现实环境中也能表现出色，并在与竞争对手的评估中达到了最低的字错误率。
DialectS2S是一个面向低资源中文方言的端到端语音对话模型，引入了可扩展的数据合成流程和一种带有自对齐语音监督的两阶段后训练策略。实验表明，在方言一致性、响应质量和可懂度方面均有提升，并且模型、数据和代码全部开源。
Bland 发布 Speech v3，声称它是世界上第一个人类语音引擎，并且在 Design Arena 的音频真实感基准测试中名列前茅，超越了 ElevenLabs、Grok、Cartesia 和 OpenAI。
微软正在其 MAI Playground 上以早期访问形式测试一款新的原生实时语音模型 MAI Realtime。该全双工系统支持多种语言、低延迟和可配置的轮流对话，定位为 OpenAI GPT Live 和 Sesame 的竞争对手。
在黎凡特阿拉伯语语音合成和英语代码切换方面取得了重大突破，使用单张RTX 3060在一晚上实现了76%的提升。
本文通过无监督发音探测进行案例研究，探讨自监督语音模型如何在普通话次方言中编码语音特征，发现唇音性等显著特征保持稳定，而更精细的频谱区别则表现出方言依赖的变化。