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。
技术方向
语音与音频 最新动态
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。
5 条精选近 30 天 3 条共收录 7 条
更新
语音与音频的精选
Google DeepMind精选AI 评分6464
Google DeepMind精选AI 评分7070 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。
Google DeepMind精选AI 评分7474 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。
Google DeepMind精选AI 评分6969 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。
Google DeepMind精选AI 评分7373 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。