OpenAI 在 API 中上线 GPT-Live-1，支持全双工语音对话
OpenAI 将 GPT-Live-1 引入 API，为开发者带来自然的全双工语音对话能力。该模型具备更强的指令遵循能力，支持自定义音色，并提供电话（telephony）支持。
推荐理由：原文给出 GPT-Live-1 在 API 中的全双工语音、自定义音色与电话接入能力，可据此判断语音应用的接入变化。
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 1–8 条 · 共 8 条OpenAI：官网动态精选AI 评分6868
HuggingFace Blog精选AI 评分6262 Hugging Face 用三种方法检测语音识别基准过拟合，11 个开源 ASR 模型被检出复现错误参考文本
Hugging Face 发布研究，用三种探测方法量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型后发现部分高分模型会复现 VoxPopuli、LibriSpeech 参考文本里的错误内容，即使音频与之矛盾。
推荐理由：原文用三种探测方法量化 ASR 模型对公开基准的过拟合，并给出开源脚本与榜单入口，可作为自查评测可信度的参考。
Google DeepMind精选AI 评分7373 Google 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google 发布 Gemini 3.5 Live Translate 音频模型，支持 70 多种语言的近实时语音到语音翻译，并保留说话人的语调、节奏和音高。
推荐理由：模型在 70 多种语言上连续生成语音，原文区分了它与逐句翻译系统的取舍，并列出开发者、企业和普通用户各自的接入入口。
Google DeepMind精选AI 评分6363 Google DeepMind 发布 AI co-clinician 医疗研究计划
Google DeepMind 发布 AI co-clinician 医疗研究计划，探索在医生监督下由 AI 智能体参与患者问诊的三元照护模式。研究在 98 条真实初级保健查询中有 97 条无关键错误，并在 140 项问诊技能评估中于 68 项达到或超过初级保健医生水平，专家医生整体表现仍更好。
推荐理由：文章以 140 项问诊技能的盲评对比，呈现 AI co-clinician 与初级保健医生的能力差异和仍待改进之处。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.1 Flash TTS，新增音频标签与 70 多种语言支持
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 榜单上取得 1,211 的 Elo 分数，并被列入最具吸引力象限。
推荐理由：官方给出音频标签的具体用法与 70+ 语言覆盖，读者可据此判断可控语音合成的可用场景。
Mistral AI精选AI 评分6666 Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数支持 9 种语言
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，已通过 API 提供，定价 $0.016 / 1k 字符。
推荐理由：官方给出了 4B 模型在 9 种语言上的延迟、单价以及和 ElevenLabs 的人评对比口径，便于判断语音 Agent 的选型与成本。
Mistral AI精选AI 评分6363 Mistral 发布 Voxtral Transcribe 2，推出实时与批处理两款语音转写模型
Mistral 发布 Voxtral Transcribe 2 系列两款语音转写模型，包括用于批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，后者以 Apache 2.0 权重在 Hugging Face 开源。
推荐理由：Realtime 以 sub-200ms 延迟和 Apache 2.0 权重开源，读者可据此比较实时语音应用的端侧落地成本。
Mistral AI精选AI 评分6565 Mistral AI 发布语音理解模型 Voxtral，含 24B 和 3B 两个版本
Mistral AI 发布语音理解模型 Voxtral，提供 24B 和 3B 两个尺寸，均以 Apache 2.0 许可开源，并已上线其 API。模型支持 32k token 上下文，可处理最长 30 分钟的音频转写或 40 分钟的音频理解，还能根据语音意图直接触发函数调用。
推荐理由：原文对比了开源 ASR 与闭源 API 在成本、部署上的取舍，并给出两档尺寸和 API 定价，可作为语音方案选型参考。