在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用 – 第一部分
AWS 发布教程，讲解如何在 Amazon SageMaker AI 上通过 vLLM-Omni DLC 部署 Qwen3-TTS，实现语音生成完成前即可开始播放的流式语音输出。
#语音
#语音
今日 0 条AWS Machine Learning BlogAI 评分3636
AWS Machine Learning BlogAI 评分3535 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音
Alibaba Cloud Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 文本转语音模型现可通过 Amazon SageMaker JumpStart 部署到全托管实时推理端点。
Google DeepMindAI 评分5252 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar
Google DeepMind 在 Gemini 3.8 Live 发布一周后推出 Live Avatar 功能，为对话模型带来近实时的视频形象。
AWS Machine Learning BlogAI 评分4343 在 SageMaker AI 上用 WhisperX 实现带说话人标注的语音转写
AWS 发布 WhisperX 深度学习容器（DLC），在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的词级时间戳和说话人分离，可在 SageMaker AI 上一键部署。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，覆盖 100 多种语言和方言，支持从 30 秒音频样本复刻声音、逐行导演表演节奏以及原生双说话人场景编排。
推荐理由：官方发布说明了两个 TTS 模型的定位、评测成绩和语音设计能力，开发者可以直接对照评测与入口评估是否接入。
OpenAI NewsAI 评分2323 Ringg 借助 OpenAI GPT-5.6 让 AI 智能体解决多达 65% 的客户来电
客服公司 Ringg 采用 GPT-5.6 驱动其 AI 智能体，最多可自动解决 65% 的客户来电。这些智能体覆盖语音、聊天、WhatsApp 和网页等多语言渠道，成本相比使用 GPT-4.1 降低 90%。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音对话模型，主打近实时推理与语音智能体。
推荐理由：官方给出两款语音对话模型的评测成绩、语言与工具调用能力和开放入口，读者可据此评估其用于语音智能体开发的适配度。
OpenAI NewsAI 评分5858 OpenAI 在 API 中推出 GPT‑Live‑1 语音模型
OpenAI 在 API 中推出 GPT‑Live‑1，带来自然的全双工语音对话能力。模型具备更强的指令遵循能力，支持自定义音色和电话接入。
Hugging Face BlogAI 评分4242 Open ASR Leaderboard 新增首个全球南方语言：Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 中引入 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个 Indic 语言。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 推出 Gemini 3.5 Transcribe，定位为其最精准的实时语音转写模型，可清理语气词、自动格式化并识别自定义词表。
推荐理由：官方发布带具体 WER、延迟和 API 形态，开发者可据此评估语音转写与语音交互方案的选型。
Hugging Face Blog精选AI 评分6161 Hugging Face 研究量化语音识别模型的基准优化行为
Hugging Face 发布研究，提出三种测试量化 ASR 模型的基准优化（benchmaxxing）现象。评估 11 个开源模型发现，部分高分模型会复现 VoxPopuli 与 LibriSpeech 的错误参考文本、在音频中数字被静音时仍以约 30-40% 的比例输出该数字，并通过声学线索切换拼写以匹配基准期望；在模型训练截止后新采集的同源音频上，这些行为明显减弱。
推荐理由：研究用三种探针量化了语音识别中的基准优化行为，为选型者提供了超越公开基准 WER 的评估思路。
Hugging Face Blog精选AI 评分6060 NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，支持 12 种语言并降低语音生成延迟
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，参数量 364M，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，共支持 12 种语言，并提供生产级 NIM 部署容器。
推荐理由：原文给出TTFA延迟数据和架构改进细节，读者可据此评估自部署级联语音方案相对一体化语音模型的取舍。
Google DeepMindAI 评分4949 Google DeepMind 发布 Lyria 3.5，上线 Flow Music 并提升音乐性、歌词与人声表现
Google DeepMind 推出新一代音乐生成模型 Lyria 3.5，现已在 Google Flow Music 中上线。新模型改进了音乐性，可生成更丰富自然的旋律结构；歌词质量和提示词遵循度更高；人声更真实、更具情感表达且发音更准。用户还可更方便地控制生成音乐的节奏和时长。
Hugging Face BlogAI 评分5151 Hume 推出 Real World VoiceEQ 基准，衡量语音 AI 的人类级质量
Hume 发布 Real World VoiceEQ 基准，基于超 100 万条人类评分，评估 40 多个专有与开源语音模型，覆盖 ASR、TTS、S2S 和语音理解的 15+ 维度、60+ 指标。评估发现 TTS 无一配置在八组能力中均进前五，语音模型听比说差，许多系统仍以转录文本为主而忽略语气、迟疑等副语言线索；部分模型疑似针对公开基准优化，SLM 自动评估仅适合明确任务，尚难替代人类听评。
Hugging Face Blog精选AI 评分6060 Hugging Face 与 Cerebras 联手打造基于 Gemma 4 的实时语音对话方案
Hugging Face 与 Cerebras 发布一个模块化、开源的实时语音对话（speech-to-speech）流水线，用 Cerebras 的高速推理解决语言模型响应延迟瓶颈。
推荐理由：原文给出了完整开放的级联语音对话架构和各层组件，开发者可以照此搭建或替换自己的实时语音 AI 流水线。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
段已按要求撰写
推荐理由：原文给出 70 多种语言的近实时语音翻译能力、流式生成机制和各产品线的开放入口，读者可以据此判断它对会议和翻译场景的实际影响。
Google DeepMindAI 评分5757 Google DeepMind 发布 AI co-clinician 医疗协作智能体研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生监督下协助患者就诊的 AI 智能体。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，主打更强的可控性、表达力和音质，在 Artificial Analysis TTS 排行榜获得 Elo 1,211 分。
推荐理由：官方宣布了音频标签等新控制方式和上线渠道，并给出 Artificial Analysis 的 Elo 分数，可据此评估其表达力与成本定位。
Mistral AI精选AI 评分6363 Mistral AI 发布 4B 参数语音生成模型 Voxtral TTS
Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，支持英语、法语、德语等 9 种语言。人工评测显示其自然度优于 ElevenLabs Flash v2.5，与 ElevenLabs v3 质量相当；模型延迟 70ms，支持 3 秒参考音色的零样本语音适配与跨语言口音迁移。
推荐理由：官方给出了延迟、定价、语言支持与对比评测等关键细节，读者可以据此评估它在企业语音工作流中的可用性。
Google ResearchAI 评分5959 Google Research 发布 WAXAL：覆盖 27 种撒哈拉以南非洲语言的大规模开放语音数据集
Google Research 发布开放语音数据集 WAXAL，覆盖 27 种撒哈拉以南非洲语言，使用者超过 1 亿人、分布于 26 个国家。数据集包含约 1,846 小时经转写的自然语音（WAXAL-ASR，采用图像提示引发自发语音）和超过 565 小时高保真 TTS 录音，以 CC-BY-4.0 许可开放，由 Makerere 大学、加纳大学等非洲学术与社区组织主导采集。
Mistral AI精选AI 评分6262 Mistral 发布 Voxtral Transcribe 2 语音转写模型，Voxtral Realtime 以 Apache 2.0 开源
Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2 批量转写模型和 Voxtral Realtime 实时模型。
推荐理由：官方给出两款语音转写模型的延迟、价格、词错率与开源权重信息，读者可据此评估语音转写方案选型。
Mistral AIAI 评分5757 Mistral Le Chat 新增 Deep Research、语音模式与 Projects 等多项功能
Mistral AI 为 Le Chat 推出一批新功能，包括 Deep Research（预览）研究模式、基于 Voxtral 模型的语音模式、由 Magistral 推理模型驱动的多语言思考模式、Projects 项目文件夹，以及与 Black Forest Labs 合作的图像编辑。
Mistral AI精选AI 评分6969 Mistral 发布 Voxtral 语音理解模型，含 24B 和 3B 两种规格
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产级和 3B 本地/端侧两个版本，均以 Apache 2.0 许可开源，并可通过 API 调用，价格低至 $0.001 每分钟。
推荐理由：官方发布给出了两个规格、许可、价格和基准结果，读者可以据此评估它在语音理解场景替代现有方案的可行性。