像改文字一样改语音：火山引擎全新语音内容编辑模型
火山引擎多媒体实验室推出全新语音内容编辑模型，用户输入原始音频并用一句自然语言说明要改什么，模型即可直接改写声音中说出的内容，同时尽量保留原说话人的音色、韵律和上下文衔接。
推荐理由：原文将语音编辑从修音质推进到改内容，并对照 Descript 与 Meta Voicebox 说明该模型补上了内容可编辑这一环。
#语音
#语音
今日 0 条字节跳动技术团队精选AI 评分6666
36氪AI 评分5959 Tavus Griffin-Lite 视频对话几可乱真，48% 受试者误以为对方是真人
美国旧金山 AI 视频公司 Tavus 发布新模型 Griffin-Lite，在 54 名受试者参与的一分钟视频通话测试中，有 26 人（48%）误以为对方是真人。上一代系统在同一测试流程下仅有 2.4% 的受试者作出同样判断。Tavus 称这是首个通过“视频图灵测试”的实时视频对话模型，Griffin-Lite 可在双方同时说话时实时附和或打断，如同真人聊天。
极客公园精选AI 评分7171 Tavus 发布 Griffin 人类交互模型，一分钟视频通话近半数参与者误认为真人
10 月 1 日，美国 AI 视频公司 Tavus 发布 Griffin 模型，并将其定义为全球第一个「人类交互模型」；一分钟视频通话测试中 54 名参与者有 26 人事后认为自己在和真人聊天，比例接近 48%，而上一代系统通过率仅 2.4%。
推荐理由：文章在宣传效果之外核对了样本量、心理暗示与基准分数，读者可以据此更冷静地判断端到端架构带来的实际进步。
MiniMax · 官方新闻精选AI 评分7979 MiniMax 发布全模态生成模型 H3
MiniMax 正式发布通用全模态生成模型 H3，支持多模态上下文统一理解，可输出最高 15s 2K 分辨率的原生双声道音视频。该模型在指令遵循、文字与品牌信息呈现及 V2V Motion Transfer 等方面表现出色，2K 分辨率下每秒价格不到主流模型的 1/3。官方计划在未来几天内开放模型权重，以推动开源社区发展。
推荐理由：MiniMax 发布全模态生成模型 H3，支持 15s 2K 原生双声道音视频，计划开放权重，为多模态创作提供了新的高性价比选项。
The Decoder精选AI 评分6565 Microsoft AI 发布 MAI-Transcribe-2-Streaming 与 MAI-Voice-2.1 语音模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming 及文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash。
推荐理由：原文给出了准确率排名、延迟、支持语言数和定价等具体指标，读者可以据此与同类语音模型做横向比较。
The DecoderAI 评分5959 近半数测试者在一分钟视频通话中将 Tavus 的 Griffin 误认为真人
Tavus 发布 Griffin，该公司称之为首个“人机交互模型”（HIM），可在实时视频对话中同时理解与生成语音、面部表情、语气、手势和停顿。在 Tavus 的测试中，48% 的参与者在进行一分钟视频通话后认为 Griffin 是真人，此前系统最高仅 2%；在 Nvidia 的独立测试中 Griffin 得分 3.83，人类为 3.92，此前最佳 AI 模型为 2.80。
InfoQ 中国AI 评分6767 像改文字一样改语音：火山引擎全新语音内容编辑模型
火山引擎多媒体实验室发布指令驱动的语音内容编辑模型，用户只需用自然语言说明“把什么改成什么”，模型即可在保持原音色、韵律和上下文衔接的前提下完成局部内容修改，不必整段重录。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型。前者侧重深度创意指导，支持自然语言生成定制声音、30秒语音复刻与逐句表演控制；后者面向高并发、低成本的规模化应用。
推荐理由：原文清晰对比了两款新 TTS 模型的定位与功能，并给出基准表现与安全机制，便于开发者评估选型。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务的多步推理。
推荐理由：原文给出了两款实时语音对话模型的能力定位与基准成绩，读者可据此判断它们在语音智能体场景中的适用性。
阶跃 StepFun · 官方公众号精选AI 评分6565 阶跃发布 StepAudio 3 系列语音模型，多款模型位列 Artificial Analysis 全球第一
阶跃正式发布 StepAudio 3 系列语音模型，包含 StepAudio 3 Realtime、ASR、TTS、Gen、Music 五款，均已上线阶跃星辰开放平台。
推荐理由：官方发布稿逐一给出五款模型的能力定位与 Artificial Analysis 榜单数据，读者可据此判断语音模型正从单点能力竞争走向完整交互与创作。
Google DeepMind精选AI 评分7575 Gemini 3.5 Transcribe 发布：实现更精准的智能实时语音转录
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，提供实时流式与预录制两种 API。据 Artificial Analysis 测量，其流式平均词错率为 4.0%，非流式为 2.6%，最终转录时间较 Chirp 3 缩短 70%。模型支持 85 种以上语言、自定义词汇表与函数调用，现已通过 Google AI Studio 等平台推出公开预览。
推荐理由：相比上一代 Chirp 3，Gemini 3.5 Transcribe 将流式转录错误率降至 4.0%，最终转录时间缩短 70%，并支持函数调用与自定义词汇表。
阿里云开发者AI 评分6161 Qwen-Audio-3.0 系列语音模型正式上线千问 AI 平台
Qwen-Audio-3.0 系列语音模型正式上线千问 AI 平台，开发者可通过 API 服务调用，也可订阅 Token Plan 使用。
腾讯混元 · 官方公众号AI 评分5858 腾讯混元发布 Hy ASR 3.0 preview 语音识别模型
腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview，基于 Hy3 基座融合高精度识别与深度语义理解。模型在多语种开源评测集 WER 控制在 3% 左右，中文普通话 3.34%、英语 2.62%、粤语 3.12%，并支持热词注入、方言识别与复杂声学场景优化。目前已上线腾讯云提供 API 服务，元宝已完成首发上线。
OpenAI News精选AI 评分7777 OpenAI 发布 GPT-Live 语音模型
OpenAI 发布新一代语音模型 GPT-Live，现已驱动 ChatGPT Voice，面向更自然的人机语音交互。
Google DeepMind精选AI 评分8484 Google 发布 Gemini 3.5 Live Translate，支持 70+ 语言近实时语音翻译
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言的近实时语音到语音翻译，可保留说话者的语调、节奏和音高，连续生成且全程仅比说话者滞后几秒。
推荐理由：官方公布了 70+ 语言与连续生成机制，并开放 Gemini Live API 等多端入口，可据此判断实时语音翻译在会议和通话场景的可用性变化。
OpenAI News精选AI 评分7070 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可对语音进行推理、翻译和转录，带来更自然、更智能的语音体验。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 Gemini 3.1 Flash TTS，新一代表现力 AI 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，在 Artificial Analysis TTS 榜单取得 Elo 1211，支持 70+ 语言、原生多人对话，并引入 audio tags 以自然语言精细控制语音风格、节奏与表达。
推荐理由：原文给出了 Elo 1211 的榜单分数与 audio tags 的具体用法，读者可据此判断它相对现有 TTS 方案的可控性优势。
Google DeepMind精选AI 评分7272 Gemini 3.1 Flash Live 发布：让语音 AI 更自然、更可靠
Google DeepMind 发布 Gemini 3.1 Flash Live，这是其目前最高质量的音频与语音模型，旨在提升实时对话的速度与自然度。该模型在 ComplexFuncBench Audio 上得分 90.8%，支持 Gemini Live 对话时长翻倍，并推动 Search Live 扩展至 200 多个国家/地区，所有生成的音频均带有 SynthID 水印。
推荐理由：相比前代模型，Gemini 3.1 Flash Live 在语音精确度、延迟与上下文长度上均有提升，并推动 Search Live 扩展至全球。
Google DeepMind精选AI 评分7171 Lyria 3 Pro 发布：支持 3 分钟曲目并接入更多 Google 产品
Google DeepMind 发布 Lyria 3 Pro，支持创作最长 3 分钟的曲目，能理解音乐结构并通过提示词指定前奏、主歌、副歌和桥段。该模型已在 Vertex AI 公开预览，并接入 Google AI Studio、Gemini app、Google Vids 与 ProducerAI 等更多产品。
推荐理由：官方说明了 Lyria 3 Pro 的 3 分钟曲目长度与结构感知能力，并给出各端上线入口，读者可据此判断音乐生成工作流的变化。
AIGC WeeklyAI 评分5454 AIGC Weekly #159 速览 Claude Sonnet 4.6 与 Gemini 3.1 Pro 等新发布
本期 AIGC Weekly 汇总上周 AI 领域主要发布：Anthropic 推出 Claude Sonnet 4.6 模型与 Claude Code Security 安全工具，谷歌发布 Gemini 3.1 Pro 与 Gemini Deep Think 3。
MiniMax · 官方新闻AI 评分6161 MiniMax Speech 2.8 发布，支持原生语气词与录音棚级音质
MiniMax 正式推出语音大模型 Speech 2.8，首次实现原生语气词支持，并带来高精度音色还原、录音棚级音质与跨语言表现改善。仅需 10 秒原声片段即可完成音色克隆，模型已全面上线。
AIGC WeeklyAI 评分5353 AIGC Weekly #151：谷歌多模态投入迎来收获期
本期 AIGC Weekly 汇总了上周 AI 领域的核心发布。谷歌更新 Gemini 2.5 系列 TTS 与 Native Audio 模型，OpenAI 发布 GPT-5.2，Runway 推出 Gen 4.5 与 GWM 系列世界模型，Mistral 开源 Devstral 2 并发布 Mistral Vibe CLI。
Google DeepMind精选AI 评分7272 Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 模型
Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 模型，提升复杂工作流处理、指令遵循和多轮对话能力。该模型已在 Google AI Studio、Vertex AI、Gemini Live 和 Search Live 上线。
推荐理由：原文列出了音频模型在函数调用和指令遵循上的基准提升，并说明实时语音翻译的语言覆盖范围，便于评估其在语音场景的可用性。
OpenAI News精选AI 评分6262 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如像有同理心的客服一样表达，为语音智能体解锁新的定制能力。
推荐理由：原文介绍了文本转语音模型新增的指令式语气定制能力，开发者可据此判断语音智能体的定制空间。
OpenAI News精选AI 评分7575 OpenAI 发布开源语音识别模型 Whisper
OpenAI 训练并开源了名为 Whisper 的神经网络，称其在英语语音识别上的鲁棒性和准确率接近人类水平。
推荐理由：Whisper 以开源形式发布，读者可直接获取模型并评估其在英语语音识别场景中的实际表现。
OpenAI News精选AI 评分6363 OpenAI 发布并开源 Jukebox 音乐生成神经网络
OpenAI 发布 Jukebox，这是一个能按多种流派和艺人风格生成原始音频音乐、包括简单演唱的神经网络。官方同时开源了模型权重和代码，并发布了一款用于浏览生成样本的工具。
推荐理由：原文给出了模型按流派和艺人风格生成原始音频的能力，以及开源权重、代码和试听工具，读者可据此判断它在音乐创作流程中的可用性。
OpenAI NewsAI 评分5858 OpenAI 发布 MuseNet 音乐生成模型
OpenAI 发布 MuseNet，这是一个深度神经网络，可生成 4 分钟、含 10 种乐器的乐曲，并融合从乡村、莫扎特到披头士的风格。它没有被显式编程音乐知识，而是通过学习预测数十万 MIDI 文件中的下一个 token，自己发现和声、节奏与风格规律。MuseNet 使用与 GPT-2 相同的通用无监督技术，即一个训练来预测序列中下一个 token 的大规模 Transformer 模型。