技术方向
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。
4 条精选近 30 天 4 条共收录 6 条
Hugging Face 推出 Open TTS Leaderboard，以客观指标评估开源多语种文本转语音与声音克隆模型。榜单使用 Qwen3 ASR 计算 WER/CER，在 H200 GPU 和 CPU 上测量 RTFx 与 TTFA，并以 WavLM 嵌入的余弦相似度评估说话人相似性，将单个模型的评测时间从数周缩短至数小时。该榜单不取代人工偏好排名，也不直接衡量自然度、表现力或听众偏好。
推荐理由：榜单以统一客观指标覆盖开源多语种 TTS，将评测周期从数周缩至数小时，可缓解竞技场对开放权重模型覆盖不足的问题。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将近实时视频生成与原生实时对话模型结合，并已在 Gemini Enterprise 提供。
推荐理由：它将实时对话、流式视频与异步工具调用整合进企业智能体，为客服和交互导览提供更连续的多模态交互路径。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，两款文本转语音模型分别面向深度创作控制与高吞吐、低成本生成。
推荐理由：两款模型分别面向深度语音创作与高吞吐场景，并将声音设计、复刻和逐行表演控制整合进同一工作流。
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，两款模型面向近实时推理和生产级语音智能体。
推荐理由：两款模型把并行推理、视觉理解和后台工具调用融入近实时对话，为复杂语音智能体提供了更完整的生产级能力组合。