Microsoft AI 在 Ignite 一次发布 7 款模型,覆盖编码、安全、图像、语音与路由
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Hugging Face 以 Apache 2.0 许可证开源0.5B参数语音识别模型 Rumble-2-Flash,支持40+种语言,并原生支持 Transformers 和 vLLM。
推荐理由:通过与更大模型对比及通话场景评测,文章呈现0.5B语音识别模型在多语言、速度和鲁棒性上的表现。
Microsoft 在 Ignite 2026 发布 MAI 系列 7 个新模型,覆盖网络安全、编码、图像编辑、实时语音、转录和决策等场景。
Microsoft AI 发布首个语音到语音模型 MAI Realtime 1,基础使用定价为每分钟 $0.01。官方称该模型在质量、速度和价格上优于 GPT Realtime 2.1,位于 Big Bench Audio 语音推理与 τ-Voice 智能体任务完成基准的价格性能前沿。
MOSS-Live 在 MOSS 官网公布的六项全双工指标中均居参评模型首位,其停顿抢话率为 1.44%,无关语音误接话率为 2.00%。与 GPT-Live-1、GPT Realtime 2.1 和豆包相比,MOSS-Live 的工具调用成功率为 51.00%、多轮任务成功率为 57.93%,但后者仍低于 GPT-Live-1 的 67.68%。
腾讯混元发布实时语音模型 Hy Realtime,新增智能体工具调用和唱歌能力。该模型已在元宝语音通话和腾讯客服上线,近期将通过腾讯云提供 API 服务。
美团 LongCat 开源 LongCat-Video-Avatar 1.6,用于单人和多角色音频驱动视频生成。该版本提升了口型与音频同步、面部和身体动作协调及长视频一致性,支持生成超过 10 分钟的视频,并加入端到端推理优化。
ElevenLabs 发布面向录音和实时应用的 Scribe v3 与 Scribe v3 Live 语音识别模型,现可通过 ElevenAPI 和 ElevenAgents 使用。
DeepL 发布 Aure 模型,在实时翻译中保留原始说话者的语气、情绪、重音和语速。模型持续分析译文与原始音频,并通过强化学习减少目标语言中的口音影响,首发支持英语、德语、西班牙语、法语、意大利语、日语、葡萄牙语和韩语。Aure 已自动用于 DeepL Voice 的线上会议、面对面对话和 API。
Zyphra 发布开源 TTS 模型 ZONOS3-Mini,采用稀疏 MoE 架构,拥有 100 million 激活参数和 800 million 总参数,并以 Apache 2.0 许可发布。
推荐理由:模型以较小参数规模实现端侧实时语音克隆,并提供浏览器及多种推理运行时,方便开发者评估部署路径。
Underdog 发布一款采用 Woof 语音模型的浏览器游戏,演示 32MB 模型如何离线运行在多数设备上。模型参数规模为 31 million parameters,并面向所有人开放下载;用户可在打字机上输入文字并由模型朗读,也可调节音乐生成器。
Google DeepMind 开始推出 Gemini Omni 1.2 Flash,并通过 Gemini API 和 Gemini for business 正式全面开放。
Gradium 发布 Phonon 端侧文本转语音模型,可在无服务器、无网络条件下生成语音,并开放模型权重。Phonon 31m 采用 Apache 2.0 许可,支持英语;另一个 40m 版本覆盖英语、法语、德语、西班牙语和葡萄牙语。
推荐理由:Phonon提供了离线运行、多语言支持和公开权重,榜单成绩与部署方式可供开发者评估实际采用价值。
Google DeepMind 发布 Genie 4 世界模型,支持原生多模态生成与实时交互式世界模拟。模型结合 Gemini Omni、Gemini 3.8 Flash 等能力,可生成环境音效和交互对话,并模拟物理现象、人物动作及多步骤事件。
推荐理由:原文同时呈现了 Genie 4 的能力边界与可信测试反馈,便于理解实时世界模型当前的可用范围。
腾讯混元于10月26日发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译。其实测响应时间约3秒,效果超过主流商用 API。
Mistral AI 发布 Voxtral 3 语音模型家族与实时语音智能体 SDK,支持 50+ 语言的转写、对话推理和语音生成。Voxtral Small Transcribe 3 提供多语言转写、说话人分离和上下文偏置,Voxtral Mini TTS 3 支持 35+ 语言、50+ 方言及声音克隆,实时智能体可结合推理、工具调用和语音生成处理多步任务。
推荐理由:原文给出转写、实时语音生成与智能体 SDK 的能力、基准和定价,便于评估语音智能体落地时的效果与成本。