语音AI初创公司ElevenLabs估值翻倍至$22B
语音AI初创公司ElevenLabs宣布以$22B估值向员工提供部分已归属股权的出售机会，较其在2月融资$500 million时的$11B估值翻倍。此次$300 million要约由Wellington和T. Rowe Price联合牵头，是该公司第二次为员工安排二级交易；ElevenLabs此前曾于September 2025以$6.6B估值进行$100 million要约。
#语音
#语音
今日 2 条TechCrunch · AIAI 评分5555 The Verge · AIAI 评分7373 Google 在 Gemini Live 推出 Guided Vision 功能，可实时语音描述镜头内容
Google 在兼容的 Android 设备上的 Gemini Live 推出 Guided Vision，为摄像头拍摄的内容提供实时音频描述。它可帮助用户阅读小字、描述环境、查找或识别物体，并支持在 Gemini 应用和 Google TalkBack 中使用；Android 9 及以上设备还可通过设置添加辅助功能快捷方式。
Hugging Face Blog精选AI 评分7575 Hugging Face 发布开放 TTS Leaderboard，评估多语言语音合成与语音克隆
Hugging Face 发布 Open TTS Leaderboard，面向开源和多语言 TTS 模型，通过 WER、CER、RTFx、TTFA 和说话人相似度等指标进行评估。截至 Sep 30, 2026，Hugging Face Hub 上已有超过 8K 个 TTS 模型；榜单还提供试听投票、多语言切换、语音克隆和 H200 GPU、CPU 流式性能比较，后续将开源评测脚本。
推荐理由：Hugging Face 将客观指标与试听投票结合，覆盖多语言、语音克隆和流式性能，为开放 TTS 模型提供了更可扩展的比较框架。
AWS Machine Learning Blog精选AI 评分7373 AWS 在 SageMaker AI 上使用 vLLM-Omni 部署 Qwen3-TTS 实时语音应用
AWS 介绍如何在 SageMaker AI 上使用 AWS vLLM-Omni Deep Learning Container 部署 Qwen3-TTS，通过持久双向连接流式发送文本并接收音频。教程提供仓库、部署脚本和 Gradio 客户端，音频以 24 kHz PCM chunks 返回，并说明 SageMaker 实例池、环境配置、端点调用与资源清理流程。
推荐理由：文章给出从环境配置到资源清理的完整部署路径，并说明双向流式连接与实例池配置，便于复现实时语音输出方案。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时语音对话结合，生成具备唇形同步、表情和连续对话能力的动态视觉化身。该功能支持异步工具调用、97 种语言间切换，并已在 Gemini Enterprise 提供；自定义化身目前仅通过企业 allowlisting 开放，所有输出均带有 SynthID 水印。
推荐理由：Google DeepMind 展示了 Live Avatar 在实时对话、异步工具调用、多语言同步和品牌定制上的企业应用方式。
Simon Willison精选AI 评分8080 Google 发布 Gemini 3.8 TTS 模型，Simon Willison 推出 Playground
Google 发布 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两个文本转语音模型，并提供超过 2,000 种声音及基于 30 秒音频样本创建自定义声音的能力。
推荐理由：这篇内容同时展示了 Gemini 3.8 TTS 的多角色对话能力与可复用的 Playground，包含生成时长和成本等实测信息。
Google DeepMind精选AI 评分8383 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。
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。
Hugging Face Blog精选AI 评分8585 Open ASR Leaderboard 增加 Hindi 和 Indian English 评测
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 引入 Hindi 和 Indian English 的 Monsoon 评测集，首批覆盖 Global South 语言。
推荐理由：这项评测把地区、说话人属性和正字法变体纳入公开基准，帮助比较模型在总体 WER 之外的区域差异与识别误差。
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。
Hugging Face Blog精选AI 评分7575 Hugging Face 研究量化语音识别中的基准优化
Hugging Face 最新研究测试了 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考文本中的错误、补回音频中被静音的数字，或根据数据集线索切换拼写形式。
推荐理由：研究用三项测试量化语音识别模型的基准优化现象，展示公开测试集得分与新音频泛化能力之间的偏差。
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。
Hugging Face Blog精选AI 评分7676 Hugging Face 发布 Real World VoiceEQ，评估语音 AI 的人类化交互质量
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音系统识别、生成和响应语气、情绪、说话人身份及背景信息的能力。该基准覆盖 40 多个语音模型、15+ 个评估维度和 60 多项指标，并基于超过 1 million 条人工评分构建。研究发现，不同模型在技术准确性、情绪理解、对话智能、表现力和鲁棒性上各有侧重，传统基准可能高估真实对话表现，人工听评仍不可替代。
推荐理由：Real World VoiceEQ 将语音交互拆分为多项能力并引入大规模人工评分，为理解模型在情绪、身份和真实环境中的差异提供了更贴近使用场景的测量框架。
Hugging Face Blog精选AI 评分7474 Hugging Face 与 Cerebras 搭建 Gemma 4 实时语音 AI
Hugging Face 与 Cerebras 展示了一套基于 Gemma 4 31B 的实时语音到语音系统，旨在通过更快且更稳定的推理降低对话延迟。
推荐理由：文章拆解了由语音识别、Gemma 4、Qwen3TTS 和 Cerebras 推理组成的开放语音链路，适合了解实时交互的工程取舍。
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。
Google Research精选AI 评分7979 Google Research 发布 WAXAL：覆盖27种非洲语言的开放语音资源
Google Research 发布 WAXAL，这是一个覆盖27种撒哈拉以南非洲语言的开放语音数据集，服务于自动语音识别（ASR）和文本转语音（TTS）。首批资源包含约1,846小时转录自然语音和超过565小时高保真录音，覆盖超过100 million speakers，并以 CC-BY-4.0 许可开放。数据由非洲学术与社区组织参与采集，Google 计划持续扩展语言覆盖范围。
推荐理由：WAXAL同时覆盖自然语音识别与高保真语音合成数据，并以开放许可面向27种非洲语言，为低资源语音技术研究提供了可复用基础。
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。