TII 发布 Falcon ASR 语音识别模型，支持阿联酋方言
TII 发布 Falcon ASR 语音识别模型，参数量 1.6B，针对阿联酋方言优化并支持英语、法语、西班牙语和葡萄牙语。在公开基准上平均词错率（WER）为 20.92%，优于此前最佳结果，并提供在线 Demo 体验。
推荐理由：模型针对阿联酋方言优化并支持多语种，提供了可验证的基准成绩与在线体验入口。
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 1–10 条 · 共 10 条Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分6060 Hugging Face 发布开源多语言 TTS 排行榜
Hugging Face 推出 Open TTS Leaderboard，采用客观指标评估开源 TTS 模型。该排行榜涵盖多语言识别率、推理速度和说话人相似度，并支持语音克隆与流式性能对比，旨在解决人工投票榜扩展性不足的问题。
推荐理由：Hugging Face 推出基于客观指标的开源多语言 TTS 排行榜，弥补了人工投票榜在扩展性上的不足。
Google DeepMind精选AI 评分7777 Gemini 3.8 Live 新增 Live Avatar 实时视觉形象功能
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时对话与低延迟流式视频生成原生耦合，赋予 AI 具备动态视觉形象。该功能支持 97 种语言无缝切换且保持口型同步，可在后台异步调用工具以维持对话流畅，目前已在 Gemini Enterprise 中开放。
推荐理由：原生耦合实时对话与低延迟视频流，支持97种语言无缝切换及异步工具调用，为多模态交互提供企业级入口。
Google DeepMind精选AI 评分8282 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 发布
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，支持通过自然语言提示从零创建角色声音、30秒样本复刻声音，并提供逐行表演控制与原生双人对白编排。模型已上线 Google AI Studio 和 Gemini API，并在 Hume AI 语音设计基准测试中取得领先。
推荐理由：提供了原生双人对白编排与细粒度表演控制，可据此评估其在播客、有声书及多语言配音场景的落地能力。
Google DeepMind精选AI 评分8585 Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 实时对话模型
Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两款实时对话模型，支持近实时视觉输入、97 种语言自动切换及后台工具调用。3.8 Live Extended Thinking 在 Artificial Analysis 语音质量指数中排名第一，并在 τ-Voice 基准测试中展现多步推理能力。
推荐理由：新增实时对话与扩展推理能力，提供语音基准数据与多语言支持，便于开发者构建生产级语音智能体。
Hugging Face Blog精选AI 评分6767 Open ASR Leaderboard 新增印度英语与印地语评测集
Hugging Face 与 Voice Arena 合作在 Open ASR Leaderboard 新增印度英语和印地语评测集，通过细粒度元数据揭示模型在不同人群中的性能差异。
推荐理由：引入覆盖印度英语和印地语的测试集，通过细粒度元数据揭示模型在不同人群中的性能差异。
Hugging Face Blog精选AI 评分6868 Hugging Face 研究揭示语音识别模型对公开基准的过拟合与优化现象
Hugging Face 发布研究，通过参考不一致、实体检索和正字法切换三项测试，量化语音识别模型在 VoxPopuli 和 LibriSpeech 等公开基准上的过拟合现象。研究发现部分高分模型会复现基准中的错误转录、恢复被静音的数字，并依据音频中的数据集特定线索选择拼写，导致基准分数高估了真实场景下的转录能力。
推荐理由：通过三项测试量化语音识别模型对公开基准的过拟合现象，揭示高分模型在真实场景中可能依赖数据集特定线索而非音频内容。
Hugging Face Blog精选AI 评分7878 NVIDIA Magpie TTS 开源多语言语音模型，新增阿拉伯语等三种语言
NVIDIA 在 Hugging Face 开源 Magpie 多语言 TTS 模型，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，支持12种语言。该模型提供364M参数开源权重及NIM部署方案，在B200上单流首音频延迟低至32ms，并引入帧堆叠与局部Transformer架构优化推理速度。
推荐理由：提供开源权重与NIM部署方案，支持12种语言及低延迟指标，适合需要私有化部署和定制语音的开发者。
Hugging Face Blog精选AI 评分7070 Hugging Face 联合 Cerebras 发布实时语音 AI 演示
Hugging Face 与 Cerebras 联合展示了基于 Cerebras 推理加速的实时语音 AI 架构，该架构采用 Nvidia Parakeet 进行语音识别、Gemma 4 VLM 进行推理、Qwen3TTS 进行语音合成，实现了低延迟的端到端语音交互。
推荐理由：展示了结合Cerebras推理与Gemma 4、Qwen3TTS的实时语音架构，为开发者提供了低延迟语音交互的开源参考实现。
Hugging Face Blog精选AI 评分7777 Hugging Face 教程：让 Reachy Mini 机器人实现全本地语音交互
Hugging Face 发布教程，指导用户将 Reachy Mini 机器人的语音交互栈完全部署在本地。通过 speech-to-speech 库串联 Silero VAD、Parakeet-TDT 0.6B v3、Qwen3-TTS 等开源组件，并结合 llama.cpp 或 vLLM 运行 Gemma-4 或 Qwen3-4B 等模型，实现无需云端 API 的隐私保护与低延迟对话。
推荐理由：提供将语音交互栈完全本地化的实操指南，展示如何在端侧实现隐私保护与低延迟的机器人对话。