NVIDIA Nemotron 微调适配沙特阿拉伯语方言，并可扩展至其他语言
NVIDIA 对 Nemotron 模型进行微调，以提升沙特阿拉伯语方言的自动语音识别能力，并给出可迁移到其他语言的路径。该方法针对预训练数据中代表性不足的地区方言和本地录音条件，指出在多语言基准上表现良好的模型在实际部署中仍可能不达标。
#语音
#语音
今日 1 条NVIDIA Developer BlogAI 评分2222
Hugging Face BlogAI 评分3838 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 上线 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
AWS Machine Learning BlogAI 评分2727 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
AWS 发布 vLLM-Omni DLC（v1.5），可在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出。
AWS Machine Learning BlogAI 评分4040 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实时个性化语音
阿里云 Qwen 团队的 Qwen3-TTS-12Hz-1.7B-Base 已上架 Amazon SageMaker JumpStart，可部署为全托管实时推理端点，仅凭几秒参考音频和对应文本即可克隆音色，无需重新训练。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 基础上加入近实时视频生成，让对话模型具备能听、能看、能说的动态视觉形象，并已在 Gemini Enterprise 上线。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的形态变化。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
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，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演与安全水印的具体能力，可据此判断语音生成工作流的变化。
OpenAI NewsAI 评分2222 Ringg 用 OpenAI 模型让 AI 智能体解决最高 65% 客服来电
Ringg 基于 GPT-5.6 构建的多语言 AI 智能体可解决最高 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道。相比 GPT-4.1，其成本降低 90%。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模化与成本效率，后者面向高复杂度多步推理任务。
推荐理由：两款语音对话模型同时发布，给出基准成绩与开发者接入渠道，可据此判断语音智能体的可用性。
Google AI Blog精选AI 评分6060 Google 公布多语言 AI 进展：Gemini 3.5 Live Translate 支持 70 种语言实时翻译
Google 表示其技术与产品已覆盖 300 多种语言、服务超 70 亿人，Gemini 3.5 Live Translate 支持 70 种语言、2000 多个语言对的实时口语翻译，并能处理语码转换和情绪线索。
推荐理由：Google 集中披露多语言语音与翻译能力进展，读者可了解实时翻译、端侧模型与无障碍功能的落地范围。
Apple Newsroom精选AI 评分8080 苹果发布 iOS 27 等系统更新，Siri AI 以测试版上线
苹果发布 iOS 27、iPadOS 27、macOS 27、watchOS 27 和 visionOS 27，Siri AI 以英文测试版上线，10 月增加法语、日语、韩语、葡萄牙语和西班牙语支持。
推荐理由：Siri AI 与 Apple Intelligence 新能力随 iOS 27 等系统上线，可了解其功能范围与分阶段开放节奏。
Apple Newsroom精选AI 评分8888 苹果发布 Siri AI 与新一代 Apple Intelligence
苹果发布新一代 Apple Intelligence，驱动全新版本 Siri AI，具备个人语境理解、世界知识、屏幕感知和跨应用操作能力，并集成到 iPhone、iPad、Mac 与 Vision Pro。
推荐理由：官方一次性给出 Siri AI 的能力范围、上线节奏与地区限制，可据此判断苹果 AI 助手的实际可用边界。
OpenAI News精选AI 评分7272 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话，并带来更强的指令遵循、自定义音色和电话通信支持。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，读者可据此判断语音应用的接入门槛变化。
Apple NewsroomAI 评分5757 苹果发布 AirPods 5，开放式主动降噪降噪提升 50%
苹果发布 AirPods 5，采用全新多端口声学架构和下一代自适应 EQ，开放式主动降噪相比 AirPods 4 可多消除 50% 外部噪音。搭配 Apple Intelligence 支持的 iPhone，用户可免手动调用 Siri AI，并通过头部手势回应或使用实时翻译。AirPods 5 今日开启预购，售价 129 美元，无线充电盒版 149 美元，9 月 18 日到店。
Samsung NewsroomAI 评分2020 三星为冰箱和洗衣家电推送 Tizen OS 10.0 更新，引入 Google Gemini 与 Bixby
三星宣布自 9 月起向部分在售冰箱和洗衣家电推送 Tizen OS 10.0 更新，使其获得今年新品同款服务与功能。
Google AI BlogAI 评分2222 Google 8 月 AI 更新汇总：Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列
Google 发布 Gemini 3.7 Flash，距 3.6 Flash 仅三周，主打编程与智能体，每百万 token 价格为首发 3.6 Flash 的一半。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化后的文本。
推荐理由：Gemini 3.5 Transcribe 给出了 WER、延迟与多语言数据，读者可据此判断语音转写在实际产品中的可用程度。
Samsung NewsroomAI 评分1515 三星 Galaxy Buds4 Pro 获 EISA 2026-2027 入耳式耳机奖
三星 Galaxy Buds4 Pro 获得 EISA 2026-2027 入耳式耳机奖，这是 Galaxy Buds 系列首次拿下该奖项。EISA 评价其双路扬声器配独立功放带来干净的音乐细节，Sensor Fusion 技术结合 VPU 与 DNN 降噪保证通话清晰。该耳机采用加宽低音单元，有效发声面积较上代增加近 20%，支持 24-bit/96 kHz UHQ 音频与自适应 ANC。
Google DeepMindAI 评分5858 Google DeepMind 在 Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升，包括更复杂自然的旋律结构、更高的提示词遵循度与结构感知、更具情感和发音更准的人声，以及对节奏和时长的更便捷控制。
Google DeepMind精选AI 评分7878 Google 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 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，能自动检测语言并保留说话者的语调、节奏和音高。
推荐理由：Google 发布 Gemini 3.5 Live Translate，读者可了解其连续语音翻译机制与在 Google 产品中的落地节奏。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，主打更强的可控性、表现力与音质，并引入可用自然语言指令控制语气、语速和表达方式的音频标签。
推荐理由：Gemini 3.1 Flash TTS 的音频标签与多说话人能力，展示了语音生成从朗读走向可导演式控制的方向。