Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，用于生成可定制的角色声音、逐句指导场景对白和大规模语音内容。
推荐理由：两款模型分别覆盖创意驱动与高量低成本语音生成，并提供声音定制、逐句导演和同意验证，展示了语音模型面向生产应用的能力边界。
#语音
#语音
今日 0 条Google DeepMind精选AI 评分8383
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本语音交互与高复杂度任务推理。
推荐理由：Google DeepMind同时发布面向规模化语音交互和复杂任务的两个模型，并给出基准成绩、工具调用与多语言能力，便于比较其定位差异。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，用于精确的实时语音转写和智能语音交互。模型通过 Gemini API 提供实时流式与预录音频处理两类 API，支持自定义词汇、自动检测和转写超过 85 种语言，以及最多三位说话人的识别。
推荐理由：Gemini 3.5 Transcribe同时覆盖实时流式和预录音频处理，并给出WER、延迟及多语言支持等指标，便于评估其开发适用场景。
Google DeepMind精选AI 评分9191 Google DeepMind发布SL2T手语转文本模型，登陆Gboard和Live Transcribe
Google DeepMind发布手语转文本模型SL2T，首先支持ASL到英语，并为Pixel 11上的Gboard和Live Transcribe提供手语输入功能。SL2T使用超过100,000小时、覆盖50多种手语的数据训练，端侧MediaPipe Holistic仅上传身体姿态坐标进行翻译；在FLEURS-ASL基准上取得70 BLEURT的zero-shot分数。
推荐理由：SL2T将大规模多语言训练、端侧姿态追踪与隐私设计结合，并已进入Gboard和Live Transcribe，展示了手语翻译落地面临的关键技术取舍。
Google Research精选AI 评分8787 Google Research 推进 AMIE 实时音视频临床问诊能力
Google Research 介绍了基于 Gemini 和 Project Astra 的 AMIE (Video)，可在实时视频问诊中感知非语言临床线索、引导虚拟体格检查并进行诊断推理。研究覆盖 100 个场景和 300 次咨询，在核心临床能力上评估结果与初级保健医生相当；但研究仅使用专业患者演员，真实患者和真实临床条件下的实用性仍需进一步验证。
推荐理由：研究展示了 AMIE 从文本对话扩展到实时音视频问诊的系统设计与评估，也清楚交代了模拟场景和真实患者验证之间的边界。
Hugging Face Blog精选AI 评分8282 NVIDIA Magpie TTS 发布多语言开放权重版本，支持 12 种语言与低延迟部署
NVIDIA Magpie Multilingual TTS 发布更新版开放权重模型，参数量为 364M，支持 12 种语言，并新增 Modern Standard Arabic、Korean 和 Brazilian Portuguese。
推荐理由：文章集中展示了 Magpie TTS 的语言覆盖、延迟指标与部署方式，便于评估开放权重语音模型在生产场景中的取舍。
Google DeepMind精选AI 评分8787 Google 发布 Gemini 3.5 Live Translate 语音翻译模型
Google 发布 Gemini 3.5 Live Translate，可自动识别 70+ 种语言并进行接近实时的语音到语音翻译，同时保留说话者的语调、语速和音高。
推荐理由：Gemini 3.5 Live Translate 将连续语音翻译、音色节奏保留与多端接入结合，文中也列出开发者、企业和普通用户的使用入口。
Google DeepMind精选AI 评分7979 Google 发布 Gemini 3.1 Flash TTS 语音模型
Google 发布 Gemini 3.1 Flash TTS，提升语音质量、可控性和表现力，并支持原生多说话人对话及 70+ languages。模型新增 audio tags，可通过自然语言控制语气、语速和表达方式，并在 Gemini API、Google AI Studio、Vertex AI 和 Google Vids 中分阶段提供预览或使用。
推荐理由：Gemini 3.1 Flash TTS 将音频标签、场景指令和说话人设置结合，展示了开发者如何更细致地控制语音表达与多轮角色表现。
Google DeepMind精选AI 评分8585 Google 发布 Gemini 3.1 Flash Live 语音模型
Google 发布 Gemini 3.1 Flash Live，提升了语音交互的精度、自然度和响应速度，并支持更可靠的复杂任务执行。
推荐理由：Gemini 3.1 Flash Live 同时给出语音交互、任务执行和多语言扩展的具体变化，便于判断其开发者与终端使用场景。
Mistral AI精选AI 评分8383 Mistral AI 发布 Voxtral TTS 多语言文本转语音模型
Mistral AI 发布 4B 参数的 Voxtral TTS，这是其首个文本转语音模型，支持英语、法语、德语、西班牙语等 9 种语言，并提供情绪表达、低延迟生成和自定义声音适配。
推荐理由：Voxtral TTS同时给出多语言语音生成、低延迟和声音适配细节，并以人工评测呈现其与ElevenLabs模型的对比结果。
Mistral AI精选AI 评分8686 Mistral AI 发布 Voxtral Transcribe 2 语音转写模型
Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime。
推荐理由：Voxtral Transcribe 2 同时覆盖批量与实时转写，给出延迟、价格、语言支持和部署方式，便于评估不同语音应用的选型空间。