2026年6月12日,Zyphra发布实时文本转语音模型ZONOS2。据Zyphra Research介绍,该模型采用稀疏MoE架构,具备9亿激活参数、80亿总参数,是首个开源MoE TTS模型,并以Apache 2.0许可发布,支持高保真声音克隆。相比Zonos-v0.1,其训练数据从约20万小时扩展至超600万小时,模型规模从1.6B增至8B,实时吞吐提升4倍,支持最长一分钟的多语言与语码转换音频生成。模型权重已在Hugging Face发布,基于SGLang的推理代码在GitHub开源,同时上线Zyphra Cloud并提供API,发布后促销期内免费。Zyphra还提出ZTTS1-Eval评测基准,覆盖9种语言的Clean集与17种语言的In-The-Wild集。目前尚无后续发展事实。
匹配字段摘要
小米 MiMo 发布并开源终端编码助手 MiMo Code V0.1,采用 MIT 许可。据 2026 年 6 月 10 日的发布信息,该工具基于 OpenCode 构建,面向数十甚至上百步的长程自动化编程任务,围绕计算、记忆、进化三个主题设计:Max Mode 每轮并行采样 5 个候选方案并由模型评判择优,在 SWE-Bench Pro 上比单次采样提升 10–20%,代价是约 4–5 倍 token 消耗;Goal 机制在智能体尝试终止时用独立模型校验停止条件,死循环概率低于 0.5%;记忆层面通过检查点与重建让逻辑会话可无限延长,并维护会话、项目、全局、历史四层记忆。内部双盲 A/B 测试覆盖 576 名开发者、474 个私有仓库,产生 1213 组对比,执行步数超过 200 时 MiMo Code 胜率升至 65% 以上。6 月 11 日的发布信息称,该工具附带限时免费的 MiMo V2.5 多模态模型,支持百万 token 上下文窗口,提供无限上下文、Agent 与模型协同、Compose Mode、自进化系统以及基于 MiMo-V2.5-ASR 的语音输入,并兼容 Clau
匹配字段摘要
2026年6月4日,LMSYS 宣布在 SGLang-Omni 上端到端服务 Higgs Audio v3 TTS。据 LMSYS Blog 同日发布的信息,Boson AI 的语音合成模型 Higgs Audio v3 TTS 已在 SGLang-Omni 上实现端到端服务,支持 100 种语言并达到个位数 WER/CER,可通过输入文本中的控制标签调节情绪、风格、语速和音效。该模型约 4B 参数,基于 Qwen3-4B 骨干,采用多阶段解码架构,专为流式对话语音智能体设计。目前尚无后续发展事实。
匹配字段摘要
2026年3月20日,Vapi 举办 Composer 网络研讨会并进行实时演示。据 Vapi Blog 报道,首席产品经理 Nick Robin 仅用一句提示词,在 30 分钟内为虚构品牌 Nick's Sunglass Shack 搭建出可上线的呼入客服语音智能体。Composer 是 Vapi 仪表盘内的产品助手,目前处于 alpha 阶段,支持无代码构建、调试和分析语音智能体,可创建助手、添加工具、更新提示词、配置号码并分析通话数据。目前该活动仅有这一项事实证据,暂无后续发展。
匹配字段摘要
2026年2月13日,Sarvam AI 推出 Sarvam Studio,一个将语音、文本和文档工作流整合到单一工作区的多语言内容转换平台,支持 AI 视频配音和智能体文档翻译。据 Sarvam AI Blog 同日发布的信息,在约 280 次与 ElevenLabs、YouTube Dub、Rask AI 等平台的盲测对比中,Sarvam 的配音输出获得最强整体偏好,说话人相似度平均得分 0.88,为研究中最高。该平台目前正通过受控早期 beta 计划,向政府、教育、媒体和出版领域的少量生产合作伙伴逐步开放。目前尚无后续发展事实。
匹配字段摘要
2026年2月1日,Sarvam AI 发布 AI 配音模型 Sarvam Dub。据官方介绍,该模型支持零样本音色克隆,并将时长控制直接做进语音生成过程,官方称原本需要数周的配音流程可缩短到几分钟。其自建评测集覆盖 10 种印度语言和英语、64 位说话人,每套系统测试 700 多条音频,官方称跨语种场景下的说话人相似度优于同类方案。Sarvam Dub 已用于每月译制 11 种印度语言的 Mann Ki Baat、与 IIT Madras 合作的技术课程配音,以及通过 Republic TV 以卡纳达语和印地语实时配音的 2026 年印度联邦预算演讲;工程团队称相较基础 Torch 实现延迟降低 6.6 倍。目前尚无后续发展事实。
匹配字段摘要
2025年11月24日,LG AI Research 发布 2025 AI 伦理研讨会系列文章,本期 EP.2 聚焦 AI 偏见问题。文章指出,偏见源于训练数据或算法中嵌入的人类社会偏见,可能让特定群体在同等问题上被系统性误判。文中引用 MIT 与斯坦福研究:商用人脸识别对深肤色女性错误率高达 34.7%,对白人男性仅 0.8%;斯坦福另一项研究显示,同一句话对黑人说话者语音识别错误率达 35%,白人说话者为 19%。目前该系列文章已发布至 EP.2,暂无后续发展事实。
匹配字段摘要
Google DeepMind 发布 Gemini 3.5 Live Translate语音翻译模型
English translation is being prepared.
匹配字段摘要
2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、音频、视频和文本输入,生成高质量视频,并支持通过多轮自然语言对话进行编辑。该模型正向Gemini app、Google Flow和YouTube Shorts推出,未来数周将通过API面向开发者和企业客户开放;初期音频输入仅支持语音参考,生成视频均含SynthID数字水印。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。
匹配字段摘要
2026年5月15日,xAI宣布即日起可在Nous Research的开源自我改进智能体Hermes Agent中直接使用Grok订阅。接入后,用户可用Grok 4.3进行文本对话与高级推理,用Grok Text-to-Speech生成语音回复,用Grok Imagine生成图像和视频,所有订阅档位均可使用。Hermes Agent可持久运行在任意电脑、沙箱或VPS上,跨会话建立长期记忆,并能连接WhatsApp、Discord、Telegram、Signal等消息平台。用户通过hermes model选择xAI Grok OAuth并浏览器登录即可启用。目前该消息由xAI官方发布,尚无后续发展事实。
匹配字段摘要
2026年3月26日,Google开放Gemini 3.1 Flash Live。该模型面向开发者和企业,主打生产级可靠性与语音优先智能体,可用于规模化构建能够完成复杂任务的应用。材料称,其整体质量已经改进,并在ComplexFuncBench Audio的受约束多步函数调用测试及Scale AI AudioMultiChallenge的含中断长程推理测试中领先;其多语言能力也支持Search Live推广。
匹配字段摘要
2026年3月26日,Sierra发布智能体构建工具Ghostwriter,用户可上传SOP、客服通话记录、白板草图或音频,或用自然语言描述目标,即可生成覆盖语音、聊天、邮件和30多种语言的生产级智能体。配套的Explorer基于客户对话数据识别改进方向。Sierra表示平台已重构为无头基础设施,让智能体可直接调用完整工作区并在沙箱中验证改动。
匹配字段摘要
2025年9月24日,Cartesia宣布其文本转语音平台现已符合GDPR合规要求,满足欧盟关于合法数据处理、数据主体权利及安全措施的严格标准。该认证建立在SOC 2 Type II、PCI-DSS、HIPAA及可选零数据保留等既有安全基础之上。
匹配字段摘要
Together AI 推出 Voice Finder语音搜索与推荐工具
English translation is being prepared.
匹配字段摘要
xAI 推出 Custom Voices语音克隆功能
English translation is being prepared.
匹配字段摘要
Together AI 发布并集成 NVIDIA模型、智能体与语音AI能力
English translation is being prepared.
匹配字段摘要
2026年2月24日,goose 公布其 10 万美元资助计划的获奖项目 Goose In A Pond。据 goose 官方博客介绍,该项目由肯尼亚内罗毕五人团队 Jarida 基于 goose 开源智能体框架打造,部署在 NVIDIA Jetson Orin Nano 上,可本地运行 1–7B 量化模型,速度达 40–70 tokens/秒。项目使用 Whisper、Vosk、Coqui TTS 实现离线语音,并计划开源 Moonbeam 等 MCP 服务器。目前尚无后续发展事实,状态停留在公布阶段。
匹配字段摘要
Mistral AI 发布 Voxtral Transcribe 2语音转录模型系列
English translation is being prepared.
匹配字段摘要
Cartesia 宣布 其文本转语音平台符合GDPR
English translation is being prepared.
匹配字段摘要
Mistral AI 更新 Le Chat深度研究、语音、推理、项目及图像编辑功能
English translation is being prepared.
匹配字段摘要