跳到正文
只看模型#语音
今天10月21日周三1 条
9月23日周三
9月19日周六
  1. Qwen (X)67

    阿里千问发布实时同传模型 Qwen3.8-LiveTranslate

    阿里千问发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离与更稳定的声音克隆、原文与译文同步双语显示，以及利用对话历史消歧人名和术语的长上下文能力。模型已在 QwenCloud 上线，博客同步发布。

    推荐理由：官方给出延迟从 2.8s 降到 2.3s 和三项新能力，可据此判断实时同传的可用边界。

9月16日周三
  1. Google AI (X)78

    Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 音频模型

    Google 发布两款 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。Gemini 3.8 Live 侧重规模、速度和成本效率，支持句中打断、在 97 种语言间即时切换并理解视觉上下文；3.8 Live Extended Thinking 则边推理边说话，可处理规划活动等多步骤任务。

    推荐理由：两款音频模型分别面向低延迟对话与复杂任务推理，读者可据此判断语音交互的适用边界。

  2. Google DeepMind (X)72

    Google DeepMind 推出 Gemini 3.8 Live 与 3.8 Live Extended Thinking

    Google DeepMind 推出 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款对话模型，称其为目前最好的对话式 AI。官方表示这两款模型可以对话、思考并在后台处理任务，而不打断用户当前流程。

    推荐理由：官方给出两款对话模型在后台持续处理任务的能力定位，可据此判断实时语音交互的边界。

9月2日周三
  1. AI at Meta (X)72

    Meta Superintelligence Labs 发布实时语音感知模型 Muse Voice Transcribe

    Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，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，在 Artificial Analysis 流式语音转文字和公开说话人分离基准上排名第一。

    推荐理由：Meta 公布实时语音感知模型的能力清单与榜单排名，可据此判断流式 ASR 的当前水平。

5月12日周二