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。
14 条精选近 30 天 10 条共收录 49 条
日期栏展示收录日期，历史补录归入原文日期。
SpaceXAI 发布 Grok Voice 3.0 语音转语音模型，官方称其为全球智能水平最高的语音模型，延迟低于 1 秒，运行成本低于其他前沿模型。该模型在 Artificial Analysis 语音转语音综合榜单以 86.9 分排名第一，全双工基准测试得分 97%，τ-Voice 得分 71.6%，性能与 GPT-Live-1（Astra）相当但延迟降低 40%。
推荐理由：Grok Voice 3.0 的延迟、成本与多项语音基准得分，可用于比较当前语音智能体的能力与定价。
LiveKit 宣布 Agent Simulations 面向所有 LiveKit Cloud 项目正式可用，用 LLM 驱动的模拟用户按任务级场景跑完整对话，再由 LLM 裁判给出通过与否及原因。
推荐理由：LiveKit 把语音智能体测试做成可版本化的场景套件，读者可据此了解如何把回归测试接进 CI。
Preferred Networks 发布 PLaMo 翻译大型更新版，基于第三代国产 LLM PLaMo，称其日语翻译精度与 Claude Fable 5.1、GPT-6.1 Sol、GPT-6 Astra 等前沿模型相当，成本约为原文10万字符14日元，不到海外前沿模型和机器翻译服务的十分之一。
推荐理由：原文给出翻译精度对标、成本对比与53语言扩展，可据此判断国产LLM在垂直场景的落地方式。
OpenRouter 上线 ElevenLabs 的九个文本转语音模型和两个语音转文本模型，已有 OpenRouter 应用可直接调用语音与转写接口，无需单独的 ElevenLabs 套餐。
推荐理由：OpenRouter 接入 ElevenLabs 语音模型，读者可了解语音能力如何并入现有 LLM 调用链路。
Google Cloud 团队发布教程，讲解如何用 Gemini Live API 构建可实时打断的语音 AI 智能体。方案由浏览器客户端、Gemini Live API 和 Python 后端三部分组成，通过 WebSocket 保持双向音频流，并利用内置 VAD 实现 barge-in 打断，在本地先静音并清空播放缓冲以降低延迟。
推荐理由：原文给出 Gemini Live API 构建实时语音智能体的完整架构与打断处理思路，可迁移到自建语音应用。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音对话结合，为 Gemini 的对话式 AI 带来近实时的视觉形象。
推荐理由：官方给出 Live Avatar 的实时音视频对话能力、异步工具调用与 97 种语言支持，可据此判断企业级数字人交互的落地形态。
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，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：原文给出两款 TTS 模型的语音设计、复刻与逐行导演能力及基准排名，可据此判断语音生成工作流的变化。
NVIDIA Nemotron 3 Diarization 发布，这是一个约 100M 参数的 Transformer 说话人分离模型，基于 NVIDIA Streaming Sortformer 构建，把 16 kHz 音频切成 10ms 帧并输出 T×8 的说话人活动概率矩阵。
推荐理由：原文给出单检查点四档延迟、DER 对比与单卡并发上限，可据此评估实时说话人分离的部署成本。
蚂蚁 Venus Team 与清华大学开源 Realtime-Venus 全双工交互系统，包含 9B 的 Realtime-Venus-Omni 与 Realtime-Venus-Audio 两个模型，以及负责后台任务执行的 Realtime-Venus-Harness 运行时。
推荐理由：可了解全双工对话模型与异步任务框架如何组合，以及开源仓库提供的模型与运行入口。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，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：Google DeepMind 发布两款实时语音对话模型，给出基准成绩与开发者接入渠道，可据此判断语音智能体的能力水位。
LiveKit 发布 Connectors，在 LiveKit 房间与 Twilio Programmable Voice、WhatsApp Business Calling 之间建立直连，通话作为 kind 为 CONNECTOR 的参与者进入房间，无需配置 SIP trunk 或运行网关。
推荐理由：LiveKit 把 Twilio 与 WhatsApp 通话直接接入房间，读者可据此判断现有电话工作流如何少改架构。
Cartesia 发布语音模型 Sonic-3.6，在十五个地区的盲测对比中听众偏好率最高达 93%，并在 Artificial Analysis 的受控与供应商语音榜上均列第一。
推荐理由：Cartesia 公布 Sonic-3.6 的盲测偏好数据与延迟指标，可据此判断语音合成在自然度与多语言上的进展。
LiveKit 在 LiveKit Agents 中发布 expressive mode，通过一个参数开启，让语音智能体根据对话情境调整情绪、语气和非语言声音。
推荐理由：LiveKit 官方说明 expressive mode 的实现方式与接入成本，可据此判断语音智能体情感表达如何落地。
Cartesia 发布面向实时语音智能体的语音转文字模型 Ink-2，据 2026 年 6 月 Artificial Analysis 流式榜单，其词错误率最低排名第一。
推荐理由：原文给出 Ink-2 在准确率、轮次检测和延迟三项指标上的对比数据，读者可据此判断实时语音智能体的选型。