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。
语音与音频
全部主题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。
最新精选
第 21–26 条 · 共 26 条Mistral AI精选AI 评分8383
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。
Google Research精选AI 评分8282 Google发布MedGemma 1.5 4B并推出MedASR医疗语音识别模型
Google发布MedGemma 1.5 4B，扩展对CT、MRI和全切片组织病理图像的支持，并改进胸部X光定位、纵向影像 review、实验室报告提取和医疗文本问答等能力。
推荐理由：Google同时更新了MedGemma的高维医疗影像与文本能力，并发布MedASR，文中的基准数据可帮助开发者比较其适配医疗场景的起点。
Google Research精选AI 评分6767 Google Research 发布 MSEB 声音理解基准，评测八类听觉能力
Google Research 发布 Massive Sound Embedding Benchmark（MSEB），用于统一评测检索、推理、分类、转录、分割、聚类、重排和重建八类声音理解能力。
推荐理由：MSEB 将语音与生物声学等场景纳入统一评测，并拆分八类能力，帮助比较通用声音表示与专用系统的差距。
Google Research精选AI 评分8686 Google 推出延迟 2 秒的实时语音到语音翻译技术
Google Research 介绍了一种端到端实时语音到语音翻译模型，可保留原说话者的声音，并将延迟降至 2 秒。该技术已用于 Google Meet 服务器端功能和 Pixel 10 的端侧功能，当前支持英语与西班牙语、德语、法语、意大利语、葡萄牙语之间的翻译。
推荐理由：文章具体说明了端到端语音翻译如何将延迟降至 2 秒，并展示其在 Google Meet 与 Pixel 10 上的落地方式。