跳到正文
只看一手#语音
  1. Google DeepMind64

    Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，口型同步覆盖 97 种语言

    Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为原生实时对话模型加入近实时视频生成的可视化形象，同步起在 Gemini Enterprise 中开放。

    推荐理由：文中说明了异步工具调用与语音对话并行的实现方式，对做企业级语音智能体的读者有直接参考价值。

  1. Google DeepMind70

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款语音生成模型

    Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零生成角色声音，并逐行控制表演提示、节奏、口音变化与接话插话。

    推荐理由：文中给出 Hume AI 与 Voice Arena 的具体名次和分数，读者可据此判断这两款 TTS 相对现有方案的水平。

  1. Google DeepMind74

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型

    Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，面向语音智能体带来近实时推理升级。

    推荐理由：两个版本的分工和基准分数写得很清楚，读者可以直接据此判断自己的语音场景该选哪一档。

  1. Google DeepMind69

    Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型

    Google DeepMind 发布语音转写模型 Gemini 3.5 Transcribe，据 Artificial Analysis 测量其流式场景平均 WER 为 4.0%，非流式为 2.6%，最终转写耗时相比 Chirp 3 改善 70%，FLEURS 基准上流式与非流式 WER 分别为 5.50% 和 5.04%。

    推荐理由：原文给出流式与非流式的 WER 数据和相比 Chirp 3 的延迟改进，读者可据此评估它能否替代现有语音转写方案。

  1. Google DeepMind73

    Gemini 3.5 Live Translate 发布，支持 70+ 语言近实时语音翻译

    Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并连续生成流畅自然的译音，保留说话人的语调、节奏和音高，全程只落后说话人几秒。

    推荐理由：解释了连续生成与等待上下文之间的取舍，读者可据此理解近实时同传的延迟表现。

已经到底了