IBM 發佈 Granite 4.2，為企業智能體帶來原生推理能力
IBM 發佈 Granite 4.2 語言模型，提供 3B、8B 和 30B 參數版本，並加入原生逐步推理與工具調用能力，面向企業智能體工作流程。模型基於 Granite 4.0 foundation models，採多階段強化學習；8B 和 30B 版本另經 agentic RL，並以 1 trillion tokens 的合成程式碼訓練，採 Apache 2.0 授權。
#語音
#語音
今日 38 條IBM Research：AIAI 評分6060 Mistral AIAI 評分5555 Mistral AI 與 HUMAIN 宣佈戰略合作，推進沙特阿拉伯及中東主權 AI
Mistral AI 與 HUMAIN 宣佈戰略合作，將在沙特阿拉伯及區域內推進 AI 基礎設施、先進模型開發和 AI 解決方案部署。雙方將開發並本地化先進 AI 模型，初期聚焦網絡安全和語音，並計劃開發阿拉伯語表現出色的前沿模型；合作規模達數億歐元。Mistral AI 將探討使用 HUMAIN 的數據中心基礎設施，雙方亦計劃在沙特制定面向受監管行業的共同市場策略。
Hugging Face BlogAI 評分5454 研究測量語音辨識模型的基準優化現象
Hugging Face 的研究提出三項測試衡量語音辨識中的基準優化，並評估 11 個常用開源 ASR 模型，發現多個模型會重現與音訊不符的基準文本。研究在所分析的 VoxPopuli 測試片段中標記出 40% 的潛在參考文本錯誤，涉及約 3% 的參考詞；呈現基準優化行為的模型在相關測試中有 18–30% 的情況會重現錯誤參考文本。
Sarvam AIAI 評分5555 Indic DiarBench：面向印度語言的聯合説話人分段與語音識別基準數據集
Sarvam 與 AI4Bharat 建立 Indic DiarBench，這是一個涵蓋印度憲法列定全部 22 種語言、聯合評估語音識別與説話人分段的開放基準數據集。數據集包含 108 小時自然即興語音，每段錄音有 2–9 名説話者，並涵蓋重疊發言、近場及遠場會議，以及 YouTube 真實對話。轉錄文本和帶説話人歸屬的時間戳均經人工核驗。
Hugging Face BlogAI 評分5757 用 NVIDIA Magpie TTS 構建低延遲多語言語音智能體：開放權重與完整部署控制
NVIDIA Magpie Multilingual TTS 最新版本擴展至 12 種語言，是一款 364M 參數、開放權重的語音合成模型，可部署於自有基礎設施並按工作負載調校。
Sarvam AIAI 評分6868 Sarvam AI 在 Sarvam Epoch 公佈多款模型更新及 AI 產品
Sarvam AI 在 Sarvam Epoch 公佈 Sarvam 105B 的對話及工作智能體版本，並介紹 Sarvam Vision 2.0、Saaras V4 和研究預覽版 Bulbul V4。
OpenAI NewsAI 評分2727 OpenAI 如何在六個月內構建 GPT-Live 即時語音 AI 系統
OpenAI 用六個月構建 GPT-Live 即時語音系統，支援與 AI 持續進行語音互動。系統採用無需輪次切換的語音模型和低延遲架構，以實現更快、更自然的對話。
Google DeepMindAI 評分5252 Google DeepMind 在 Google Flow Music 推出 Lyria 3.5 音樂生成模型
Google DeepMind 今日在 Google Flow Music 推出音樂生成模型 Lyria 3.5，並提升旋律、歌詞及人聲生成品質。它可生成更豐富、複雜且自然的旋律結構，並改善歌詞的提示詞遵循度與結構意識，以及人聲的真實感、情感細膩度和發音。使用者也可更容易控制生成內容的節奏和時長。
OpenAI NewsAI 評分4949 Cars24 如何藉助 OpenAI 擴展對話規模並加快構建
Cars24 使用 OpenAI 驅動的語音與聊天智能體，每月處理 1M+ 分鐘對話，並挽回 12% 流失潛在客户。公司亦將智能體工作流程推廣至各團隊，藉助 OpenAI 加快構建。
Hugging Face BlogAI 評分5555 Real World VoiceEQ 推出語音 AI 真人互動品質評測基準
Real World VoiceEQ 是一套衡量語音 AI 真人互動品質的新基準，評估 40+ 款專有及開源語音模型，涵蓋 15+ 個評測維度和 60+ 項指標。基準以超過 1 million 次人工評分建立，評測範圍包括 ASR、TTS、S2S 和 Speech Understanding。結果顯示，各模型能力各有側重，而傳統基準可能高估模型在真實對話中的表現。
Inception Labs：BlogAI 評分6969 Inception Labs 發佈 Mercury 2 推理模型，解碼速度達 1,000+ tokens/second
Mercury 2 是 Inception Labs 推出的擴散式推理語言模型，官方稱其在標準 NVIDIA GPU 上解碼速度達 1,000+ tokens/second，300-token 推理鏈完成時間不到 300ms。
OpenAI NewsAI 評分5858 OpenAI 介紹為 ChatGPT Voice 提供支援的 GPT-Live 新一代語音模型
OpenAI 介紹 GPT-Live，將其定位為面向自然人機互動的新一代語音模型，並稱其現正為 ChatGPT Voice 提供支援。
Hugging Face BlogAI 評分5959 Hugging Face 與 Treble Technologies 推出 FFASR 遠場 ASR 排行榜
Hugging Face 與 Treble Technologies 推出並開放提交 FFASR Leaderboard，這是針對真實遠場聲學條件的開放、社羣協作 ASR 評測基準。
Google DeepMind精選AI 評分7878 Google DeepMind 發佈 Gemini 3.5 Live Translate 語音翻譯模型
Google DeepMind 發佈 Gemini 3.5 Live Translate，這款音訊模型可自動識別 70+ 種語言，並進行近乎即時的語音轉語音翻譯。
推薦理由：模型以連續生成譯語音訊取代逐輪等待，並透過 API、Google Meet 和 Google Translate 進入開發、企業會議及日常翻譯場景，呈現其部署路徑。
FireRedTeam：原創語音與多模態項目AI 評分6060 FireRedTeam 發佈 FireRedASR2S 一體化語音辨識系統
FireRedTeam 發佈 FireRedASR2S，整合語音辨識、語音活動檢測、語言識別和標點預測四個模組。FireRedASR2-LLM 在 4 個普通話測試集的平均 CER 為 2.89%，在 19 個方言及口音測試集為 11.55%。
OpenAI NewsAI 評分2929 Parloa 打造客户樂於交談的客服智能體
Parloa 利用 OpenAI 模型驅動可擴展、語音驅動的 AI 客户服務智能體，讓企業能設計、模擬並部署可靠的即時互動。
OpenAI NewsAI 評分5454 OpenAI 在 API 推出新的即時語音模型
OpenAI 在 API 推出新的即時語音模型，可對語音進行推理、翻譯和轉錄。這些模型旨在支援更自然、智能的語音體驗。
OpenAI NewsAI 評分3636 Uber 藉助 OpenAI 助司機更精明地賺取收入、乘客更快預訂
Uber 藉助 OpenAI 為全球即時市場提供 AI 助手及語音功能，協助司機更精明地賺取收入，並讓乘客更快預訂。
Hugging Face BlogAI 評分5151 Hugging Face 為 Open ASR Leaderboard 新增私有資料集評測
Hugging Face 為 Open ASR Leaderboard 加入 Appen Inc. 和 DataoceanAI 提供的私有英語 ASR 評測資料集，涵蓋多種口音及朗讀式、對話式語音。
OpenAI NewsAI 評分3131 OpenAI 如何以低延遲、大規模交付語音 AI
OpenAI 重建 WebRTC 技術堆疊，為即時語音 AI 提供低延遲及全球規模支援，並支援流暢的對話輪替。
Google DeepMind精選AI 評分6868 Google DeepMind 發佈 Gemini 3.1 Flash TTS，加入音訊標籤細調語音表現
Google DeepMind 發佈 Gemini 3.1 Flash TTS，提升文字轉語音的可控性、表現力與品質，並加入音訊標籤細調語音表現。模型支援 70+ 種語言及原生多説話者對話，在 Artificial Analysis TTS leaderboard 的 Elo 分數為 1,211。
推薦理由：文章聚焦音訊標籤如何細調語氣、節奏與表達，並列出 Gemini 3.1 Flash TTS 面向開發者、企業及 Workspace 用户的推出渠道。
Sarvam AIAI 評分5959 印度語言 ASR 分層評測指南
Sarvam AI 介紹印度語言 ASR 的分層評測方法，涵蓋 WER/CER、LLM-WER/LLM-CER、Intent Score、Entity Preservation Score 和 COMET。文中亦介紹兩個適用於任何 Indic ASR 系統的開源評測框架，均使用經 Google Vertex AI 呼叫的 Gemini 作為 LLM 評審。
Google DeepMind精選AI 評分7373 Google DeepMind 推出 Gemini 3.1 Flash Live，提升語音 AI 的自然度與可靠性
Google DeepMind 推出 Gemini 3.1 Flash Live，提升即時語音對話的精準度並降低延遲。它在 ComplexFuncBench Audio 得分 90.8%，在 Scale AI 的 Audio MultiChallenge 開啟 thinking 時得分 36.1%。
推薦理由：原文以兩項語音基準呈現多步函數調用與複雜指令跟隨表現，並列出開發者、企業及一般用户的使用入口，可對照其能力與部署場景。
Mistral AI精選AI 評分6666 Mistral AI 發佈 4B 參數語音生成模型 Voxtral TTS
Mistral AI 發佈 4B 參數的 Voxtral TTS，支援 9 種語言語音生成。在典型的 10 秒語音樣本和 500 characters 輸入下，模型延遲為 70ms；人評顯示其自然度高於 ElevenLabs Flash v2.5，TTFA 相近。
推薦理由：原文以人評比較 Voxtral TTS 與 ElevenLabs Flash v2.5 的自然度和 TTFA，並列出模型延遲及 API 定價，提供評估語音智能體應用的具體依據。
Google Research精選AI 評分6464 WAXAL 為 27 種撒哈拉以南非洲語言提供大型開放語音資源
Google Research 推出 WAXAL 開放語音資料集，首批涵蓋 27 種撒哈拉以南非洲語言，這些語言由超過 100 million 人使用。資料包含約 1,846 小時已轉錄的自然語音 ASR 數據，以及超過 565 小時高保真 TTS 錄音，採用 CC-BY-4.0 授權開放。資料收集由非洲學術及社區組織主導，Google 表示計劃持續擴充語言範圍。
推薦理由：WAXAL 將自然口語 ASR 與高保真 TTS 語料以 CC-BY-4.0 授權開放，呈現支援低資源語言語音技術所需的資料建置基礎。
Mistral AI精選AI 評分6565 Mistral AI 發佈 Voxtral Transcribe 2，涵蓋批次與即時語音轉文字
Mistral AI 發佈 Voxtral Transcribe 2，包含用於批次轉寫的 Voxtral Mini Transcribe V2，以及面向即時應用的 Voxtral Realtime。
推薦理由：批次版與即時版的定位和能力差異清晰，文章亦列出即時轉寫的延遲設定、開放權重授權及兩款模型的 API 價格，便於比較部署選項。
OpenAI NewsAI 評分3232 ServiceNow 藉助 OpenAI 推動可落地的企業 AI
ServiceNow 擴大對 OpenAI 前沿模型的存取，藉此支援 ServiceNow Platform 上的 AI 驅動企業功能。支援範圍包括企業工作流程、摘要、搜尋及語音。
Google Research精選AI 評分7070 Google 發佈 MedGemma 1.5 4B，介紹 MedASR 醫療語音轉文字模型
Google 發佈開放醫療多模態模型 MedGemma 1.5 4B，新增 CT、MRI、病理全切片及胸部 X 光時間序列等醫療影像處理能力。其基準結果較 MedGemma 1 4B 提升，例如 CT 疾病分類準確率為 61%（58%），MRI 為 65%（51%），醫療文本 EHRQA 為 90%（68%）。
推薦理由：MedGemma 1.5 4B 在多項醫療影像與文本基準上較前代提升，文中列出的具體分數可用來比較不同任務的改進幅度。
Manus：BlogAI 評分5454 Manus 介紹 Meeting Minutes 會議紀要功能
Manus 推出 Meeting Minutes，可把面對面會議、訪談或獨白轉成含要點、與會者和待辦事項的結構化筆記。錄音期間會即時轉錄並識別説話者；筆記亦可作為同一任務的上下文，用於製作簡報、網站或社交媒體素材，並邀請他人協作。該功能現已向所有 Manus 用户開放，不適用於線上會議；錄音免費，分析及生成筆記會消耗積分。
OpenAI NewsAI 評分2828 Tolan 如何以 GPT-5.1 打造語音優先 AI 伴侶
Tolan 以 GPT-5.1 打造語音優先的 AI 伴侶，結合低延遲回應、即時情境重建與記憶驅動的人格，帶來自然對話體驗。
Google DeepMind精選AI 評分7878 Google DeepMind 更新 Gemini 2.5 Flash Native Audio，推出即時語音翻譯測試版
Google DeepMind 更新 Gemini 2.5 Flash Native Audio，提升其處理複雜工作流、遵循指令及進行多輪語音對話的能力。它在 ComplexFuncBench Audio 得分為 71.5%，開發者指令遵循率由 84% 升至 90%；目前已在 Vertex AI 正式提供，並以預覽版開放 Gemini API。
推薦理由：更新同時改善即時語音 Agent 的函數調用、指令遵循與多輪對話，並以 ComplexFuncBench Audio 的 71.5% 得分呈現多步函數調用表現。
Google ResearchAI 評分5252 Google Research 推出 MSEB，評測八項機器聽覺能力
Google Research 推出 Massive Sound Embedding Benchmark（MSEB），以統一框架評估八項機器聽覺能力。基準涵蓋語義與聲學任務，並可評估不同類型的模型；初步實驗顯示，現有聲音表徵在八項任務上仍有明顯提升空間。
Google Research精選AI 評分7575 Google Research 介紹即時語音到語音翻譯模型，標準延遲為 2 秒
Google Research 介紹端到端即時語音到語音翻譯模型，以原説話者聲線輸出譯音，標準延遲為 2 秒。模型採用串流架構及時間同步訓練資料，支援英語與西班牙語、德語、法語、意大利語、葡萄牙語之間的雙向翻譯。相關功能已在 Google Meet 伺服器端提供，並作為 Pixel 10 的內置裝置端功能推出；Pixel Voice Translate 採用級聯式流程以擴大語言覆蓋。
推薦理由：文章説明串流架構如何配合時間同步訓練資料，把語音互譯的標準延遲控制在 2 秒，並以原説話者聲線輸出譯音，可瞭解低延遲與個人化如何結合。
Hugging Face Blog精選AI 評分6565 Hugging Face Blog 介紹語音複製「同意閘門」設計，並提供示例 Space 和程式碼
Hugging Face Blog 提出語音複製「同意閘門」設計並提供示例 Space 和程式碼，系統需先確認説話者已明確同意才會啟動。示例會為每次同意生成一組新句子，分別表達明確同意及補充語音的音素多樣性，並以語音識別確認同意語句。作者指出，仍可能有人用另一個 TTS 系統生成相符語句，並列出音訊來源驗證、説話者嵌入向量相似度及即時錄音 metadata 作為可探索方向。
推薦理由：把每次生成的同意語句與語音辨識綁定，並以同一段錄音作複製輸入，展示了將知情同意設為工作流程前置條件的實作思路。
FireRedTeam：原創語音與多模態項目AI 評分5858 FireRedTTS-2 發佈微調程式碼及教學
FireRedTeam 為 FireRedTTS-2 發佈完整微調程式碼及教學，示例以 LJSpeech 數據集為基礎。團隊表示，該系統支援多語言和零樣本聲音克隆，使用對話數據微調可生成與示範相若的播客內容。
OpenAI DevelopersAI 評分6161 OpenAI 語音應用入門：三種語音智能體架構的選擇與評估
OpenAI 語音應用指南介紹三種語音智能體架構：GPT-Live 搭配獨立後端、Realtime API 在單一會話中處理語音、推理與工具使用，以及可逐階段檢視或替換元件的串接式語音管線。指南列出任務與工具結果、對話時序、語音與語言、會話可靠性等評估面向，並建議以 Crawl、Walk、Run 逐步增加測試複雜度。
OpenAI DevelopersAI 評分5353 OpenAI 音訊與語音指南：按應用場景選擇 API
OpenAI 的音訊與語音指南按應用場景介紹 GPT-Live、Realtime API 及專用音訊 API 的選用方式。
OpenAI DevelopersAI 評分6161 OpenAI Realtime API 即時轉錄指南：工作階段設定與延遲調校
OpenAI Realtime API 的即時轉錄指南説明如何建立即時音訊轉錄工作階段，接收隨語音到達的逐步文本，並在提交每個音訊回合後取得最終轉錄。指南建議使用 gpt-live-transcribe，伺服器端音訊管線可用 WebSocket，瀏覽器音訊可用 WebRTC。較高的 delay 會讓模型取得更多音訊上下文並可能改善詞錯誤率，設定應以具代表性的真實音訊測試。
OpenAI DevelopersAI 評分6363 OpenAI Realtime API 入門指南：語音對話與事件處理
OpenAI 的 Realtime API 入門指南説明如何經 WebRTC 或 WebSocket 建立有狀態的語音對話，並以事件管理會話。指南涵蓋文字和音訊生成、圖像輸入、function calling、VAD 設定、打斷處理及 push-to-talk；Realtime Session 最長為 60 分鐘。
OpenAI DevelopersAI 評分5454 OpenAI Realtime API 與 Twilio starter app 示範 AI 電話助手整合
OpenAI Developers 提供結合 Realtime API 與 Twilio 電話通話能力的 starter app，用於構建 AI 電話助手。示例以 NextJS 前端和 Express WebSocket 後端串接 Twilio 雙向通話串流與 Realtime API，後端亦向前端轉發訊息。