技术方向
AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
9 条精选近 30 天 7 条共收录 14 条
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，让企业智能体具备可听、可看、可说的动态视觉形象，即日起在 Gemini Enterprise 上线。
推荐理由：官方披露了实时视频与语音耦合的对话能力、异步工具调用和 97 种语言支持，可据此判断企业级数字人交互的落地边界。
Meta 发布 Muse Realtime Avatar，这项实时具身化技术把 Muse Realtime Voice 变成有表现力的可交互虚拟形象。该技术为 Muse 带来全新的交互范围，首批应用是实时对话。
推荐理由：Meta 把实时语音扩展为可交互的实时虚拟形象，读者可据此了解 Muse 交互形态的变化方向。
OpenAI 宣布 ChatGPT Voice 更新：可调用邮箱、日历和 Slack 等插件，并由 GPT-6 Astra、Sol 和 Luna 驱动。该功能同时可在网页端和移动端的 ChatGPT Work 中使用，用户通过语音即可创建文档、演示文稿、网站和表格，或在浏览器中处理复杂任务。更新即日起随最新版应用在全球推送。
推荐理由：ChatGPT Voice 接入邮箱、日历和 Slack 等插件，并进入 ChatGPT Work，读者可据此判断语音入口能承接哪些实际任务。
Google DeepMind 发布两款文本转语音模型。Gemini 3.8 Flash TTS 可设计带不同口音和特征的自定义音色；Gemini 3.8 Flash-Lite TTS 面向效率与规模化，可从自建风格或官方生产级音色库中选择。两款模型均支持创建并部署自定义音频。
推荐理由：两款 TTS 模型分别面向自定义音色设计与规模化部署，读者可据此判断语音生成的分工与选型。
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演指导，后者面向高并发配音和语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，可据此判断语音生成在创作与规模化场景的落地方式。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力水位与接入方式。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，称其为该公司最好的对话式 AI。官方表示这两个模型可以对话、思考并在后台处理任务，而不打断用户当前流程。
推荐理由：Google DeepMind 发布 Gemini 3.8 Live 系列，读者可了解其对话与后台任务处理的能力定位。
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首个实时音频感知模型，支持实时流式 ASR、20 人以上说话人分离和端点检测。该模型支持多语言并无缝切换语种，可通过语言、关键词和上下文偏置提升准确率。Meta 称其在 Artificial Analysis 流式语音转文字评测和公开说话人分离基准上排名第一。
推荐理由：Meta 发布实时语音感知模型，给出流式 ASR、说话人分离与多语言能力，可对照现有语音方案。
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为最新的语音转文字模型，面向精准且智能的转录。原帖未给出更多参数、可用范围或评测数据。
推荐理由：Google DeepMind 发布语音转文字新模型，读者可了解其在转录精度与智能化上的定位。