跳到正文
只看模型#语音
今天10月26日周一1 条
  1. Hacker News-首页63

    Destined AI 开源 Hurston-1 语音模型，支持美国南方与非洲英语口音及电话模式

    Destined AI 发布并开源了 Hurston-1 语音模型，这是一个基于 Maya1 进行微调的窄带语音生成模型，专为电话渠道及美国南方、尼日利亚等常被忽视的英语口音而设计。模型支持 8 kHz G.711 电话音频输出，并提供了验证与过滤机制，适用于语音智能体测试及电话客服场景。

    发布时间：
10月25日周日
10月24日周六
  1. The Decoder56

    Block 发布完全基于人类语音训练的新 AI 模型 Dessa

    Block 推出了名为 Dessa 的全新 AI 语音模型，该模型从头构建且完全基于人类语音训练，不使用任何文本数据。Dessa 能够直接处理音频以实时捕捉情感、讽刺、笑声和停顿，并支持全双工通信，目前正面向 AI 安全研究人员开放测试注册。

    发布时间：
  3. Hacker News-首页5

    Dessa: Conversation Model trained only on speech

    Block, Inc. 发布的 Dessa 隐私政策详细说明了公司在用户访问 dessa.com 网站及相关服务时收集、使用、披露及保护个人信息的方式。政策涵盖了身份信息、设备信息和网络活动等各类收集数据的具体类别，以及用于提供服务、沟通联系和维护平台安全的处理目的。

    发布时间：
  4. The Verge · AI53

    Jack Dorsey 旗下 Block 发布语音 AI 模型 Dessa

    Jack Dorsey 旗下的 Block 发布了名为 Dessa 的语音 AI 模型，该模型完全基于人类对话数据从头训练，支持在 MacBook Pro M4 Max 或更高配置上本地运行。Dessa 团队表示，目前该模型将向一小群 AI 安全研究人员提供早期访问。

    发布时间：
10月23日周五
  1. 公众号：面壁智能43

    面壁智能在 CNCC 2026 举办第三届端侧大模型论坛并发布 MiniCPM5 与 VoxCPM2 等成果

    面壁智能在 CNCC 2026 举办第三届端侧大模型论坛并发布 MiniCPM5 与 VoxCPM2 等成果，围绕文本、语音、多模态等五大方向探讨端侧通用人工智能。目前 MiniCPM 系列累计下载量已突破 6000 万次，17 次登顶 Hugging Face 榜单首位，其中 MiniCPM5-2B 在 AA-Index 4B 以下排名第一。

    发布时间：
10月22日周四
  1. MarkTechPost64

    IBM 发布开源语音模型 Granite Speech 5.0 2B

    IBM 发布开源语音模型 Granite Speech 5.0 2B，采用 2B 参数量并基于 Apache 2.0 协议开源，支持 6 种语言的语音转写与翻译。该模型在 Open ASR Leaderboard 上平均词错误率（WER）为 5.68%，支持长达约 2 分钟的音频片段以及最多 2,000 个词的关键词偏置。

    发布时间：
  2. IT之家·人工智能62

    科大讯飞首发星火语音基座大模型 SparkAudio 1.0

    科大讯飞在 1024 开发者节宣布首发星火语音基座大模型 SparkAudio 1.0，支持中英文任意切换与说话人实时识别。该模型集成了机器翻译、语音识别与语义理解等能力，现已在讯飞输入法 16.0、讯飞听见、讯飞办公本及讯飞翻译机全面上线。此外，科大讯飞还发布了搭载 4+1 环麦阵列的讯飞 AI 录音环硬件设备。

    发布时间：
10月21日周三
  9. Hacker News-首页84

    Mistral 发布 Voxtral 3 语音模型系列与实时语音智能体 SDK

    Mistral 发布了 Voxtral 3 语音模型系列与实时语音智能体 SDK，涵盖语音转文本、文本转语音及流式智能体管线。该系列支持 50 多种语言与方言，具备高精度转录、情感自适应语音合成及端到端工具调用能力。Voxtral 3 提供欧洲托管 API 以及支持私有化部署的自建方案，满足企业的数据主权需求。

    发布时间：

    推荐理由：Mistral 推出了覆盖语音识别、语音合成与实时智能体 SDK 的 Voxtral 3 系列，支持多语种和本地化部署，为开发者构建端到端语音应用提供了新的架构选择。

10月20日周二
  4. IT之家·人工智能62

    蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别

    蚂蚁百灵今日宣布开源 Ming-3.0 语音系列，共推出覆盖语音合成、音频理解与对话、语音识别三个方向的五款模型。Ming-3.0-tts 支持文字描述音色与导演模式的台词表演控制，Ming-3.0-audio-flash 和 tiny 可直接对长音频进行转写、总结和观点分析，Ming-3.0-asr-tiny 则通过高质量语料和上下文理解提升真实业务中的语音识别效果。

    发布时间：
  6. Ant Ling62

    蚂蚁百灵开源了 5 个 Ming-3.0 系列语音模型，涵盖 TTS、Audio 和 ASR 三个语音家族。具体包含 Ming-3.0-tts（包含 0.5B 与 7.9B 激活 1.3B 的 Tiny 版本）、Ming-3.0-audio（包含 Flash 126B 激活 6.5B 与 Tiny 9.3B 激活 2.7B 版本）以及 Ming-3.0-asr（Tiny 8.6B 激活 2B 版本），分别支持语音设计、长音频理解与方言识别等能力。

    发布时间：
10月16日周五
  2. AIHot60

    Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布

    Hojo-ASR-Multi-V1 是一款开源多语言 ASR 模型，在 5 种语言上平均 WER 为 3.54，采用声学编码器加 Qwen3-4B 解码器的架构。该模型面向多语言对话语音识别，以 Apache 2.0 许可在 Hugging Face 公开，可通过 hojo-asr Python 包安装并支持本地推理，接受 WAV 路径、音频字节流和 SCP 输入。

    发布时间：
  3. Hugging Face Blog68

    Granite Switch 4.1 发布：在一个端点中集成聊天、决策和语音能力

    Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。

    发布时间：

    推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。

10月12日周一
  1. AIHot38

    TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型，平均 WER 20.92%

    阿布扎比 TII 发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，在 6 个阿拉伯语测试集上实现 20.92% 的平均 WER，较 Audar-ASR-V1-Turbo 降低 2.25 个百分点。该模型专注于阿联酋方言并支持英语、法语、西班牙语和葡萄牙语，具备词级时间戳功能。目前 Falcon-ASR 仅提供 Hugging Face 托管演示，暂未开源权重或提供 API。

    发布时间：
10月7日周三
  1. Hugging Face Blog47

    TII 发布 Falcon ASR 语音识别模型

    TII 发布了参数规模为 1.6B 的 Falcon ASR 语音识别模型，该模型支持阿拉伯语（重点优化阿联酋方言）、英语、法语、西班牙语及葡萄牙语。在六项阿拉伯语测试中，Falcon ASR 的平均词错误率（WER）为 20.92%，优于此前 23.17% 的最佳公开结果，并支持单词级时间戳功能。目前用户可通过 Hugging Face Demo Space 进行体验。

    发布时间：
9月23日周三
  1. Google DeepMind72

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

    Google 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型，支持通过自然语言提示词创建自定义角色语音、进行逐行表演指导及多角色场景编排。新模型支持超过 100 种语言，具备语音克隆、SynthID 水印及 C2PA 凭证功能，现已在 Google AI Studio 和 Gemini API 中开放使用。

    发布时间：

    推荐理由：Google 发布了 Gemini 3.8 系列语音生成模型，通过自然语言提示词实现精细化的语音设计与表演控制，为开发者和企业提供更具表现力的音频生成能力。

9月16日周三
  1. Google DeepMind74

    Google 发布 Gemini 3.8 Live 及 Gemini 3.8 Live Extended Thinking 模型

    Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音模型，旨在提升语音智能体的实时推理与复杂任务处理能力。

    发布时间：

    推荐理由：Google 发布了 Gemini 3.8 Live 系列模型，通过引入实时推理和多步思考能力，为语音智能体提供了更流畅的交互体验与任务执行效率。