Nvidia 发布 Nemotron 3.5 Transcribe 开源语音转写模型
Nvidia 发布 Nemotron 3.5 Transcribe，这是一款免费开源权重的语音转写模型，支持 40 种语言转写，能区分最多 8 位说话人并处理长达一小时的录音。该模型拥有 300 亿参数，可在 Jetson AGX Thor 到 Blackwell 数据中心芯片等单芯片上运行，同时 Nvidia 还发布了 Granary 开源语音数据集的 2.0 版本。
#语音
TechCrunch · AIAI 评分7272
The Decoder精选AI 评分8282 Nvidia 发布开源 Nemotron 3.5 Transcribe 模型，集成转录、翻译与说话人识别功能
Nvidia 发布了开源语音识别模型 Nemotron 3.5 Transcribe，该模型在单张 GPU 上即可运行，支持 40 种语言转录、31 种语言与英语互译及 13 种语言说话人识别。
推荐理由：该模型在单卡上实现了转录、翻译与说话人识别的多任务集成，并提供了大规模开源数据集供垂直领域微调。
The DecoderAI 评分6767 Elevenlabs 发布两款面向实时 AI 对话的语音转语音模型 Eleven Realtime
Elevenlabs 发布了两款名为 Eleven Realtime 的语音转语音模型，旨在支持实时 AI 对话。其中 Max 变体在 Big Bench Audio 基准测试中得分 98.8%，响应时间为 0.57 秒，Elevenlabs 称目前 Artificial Analysis 排行榜上没有模型能同时做到更快且更准确。
The DecoderAI 评分7575 Mistral AI 发布 Voxtral 3 实时语音智能体模型家族
Mistral AI 发布 Voxtral 3，这是一个专为实时语音智能体设计的模型家族，包含语音转文本、文本转语音模型及基于 LiveKit 的 SDK。该系统将听、思考、工具调用和说话整合为单一流式管线，转录支持 50 多种语言，语音合成支持 35 多种语言及 50 种方言。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持通过自然语言提示创建自定义角色声音并逐行控制表演细节。Gemini 3.8 Flash TTS 在 Hume AI Voice Design Benchmark 中位列第一，支持超过 100 种语言，并已在 Google AI Studio 和 Gemini API 上线。
推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了多语言角色声音生成与逐行表演控制的具体能力细节。