Granite Switch 4.1 发布：一个端点搞定对话、决策与语音
Hugging Face 发布 Granite Switch 4.1，Granite-Switch-4.1-8B 和 -30B 在单一托管端点内整合对话、通用与专用决策及语音转文字能力。
#语音
Hugging Face BlogAI 评分3636
X · Min Choi精选爆款AI 评分6262 xAI 发布 Grok Voice 3.0 语音模型，响应时间低于 1 秒
xAI 发布 Grok Voice 3.0，作者称其已成为全球第一的语音到语音模型，响应时间低于 1 秒。该模型已在 Grok Bot 语音模式、特斯拉和 Starlink 支持中上线，作者称这是 AI 语音最接近真人的一次。
Hugging Face BlogAI 评分4040 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型
阿布扎比技术创新研究院（TII）发布 1.6B 参数的语音识别模型 Falcon-ASR，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
The DecoderAI 评分5858 Microsoft AI 发布面向语音智能体的转录与语音合成模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟约 100 毫秒，Microsoft 称其在 Artificial Analysis 的准确率排名第一，年底前音频价格为每小时 0.54 美元。
The DecoderAI 评分7474 ElevenLabs 发布 Eleven v4 语音模型，并推出面向实时语音智能体的 Turbo 版本
ElevenLabs 发布 Eleven v4 语音模型，能更准确跟随脚本中的情绪、停顿和音效标签，并在长内容制作中保持音色一致。v4 单次请求支持最多 10,000 字符（约十分钟音频），支持语言从 v3 的约 70 种增至 90 多种，发音基准得分从 v3 的 85.6% 提升到 91.7%。
ElevenLabs Blog精选AI 评分7878 ElevenLabs 发布 Eleven v4 与 Eleven v4 Turbo 语音模型
ElevenLabs 发布情感表现力最强的文本转语音模型 Eleven v4 及低延迟版本 Eleven v4 Turbo，两者支持 90 多种语言，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。
选题角度：官方给出 Eleven v4 与 Turbo 的样片、音频标签写法和 ~100ms 延迟数据，适合做同一句台词在旧版与 v4 下的情绪表达对比。
The DecoderAI 评分6262 Nvidia 发布免费 1 亿参数模型 Nemotron 3 Diarization，可实时区分最多八位说话人
Nvidia 发布 Nemotron 3 Diarization，这是一个约 1 亿参数、权重免费开放的说话人分离模型，能实时判断对话中谁在说话，最多区分八位说话人并检测多人同时发言。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话，即日起在 Gemini Enterprise 上线。
选题角度：官方给出多语言实时对话演示和酒店入住工具调用案例，适合录屏实测口型同步与后台调用工具时的对话连贯度。
The Decoder精选AI 评分7878 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，可用文字描述从零设计音色
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型，前者可用文字提示词从零设计音色，定义角色、口音和声音特征，两者均支持 100 多种语言并可为每句台词添加舞台指示。
选题角度：作者用预设音色加风格提示词实测了柏林口音英语，可复现这段提示词并对比官方样片与背景杂音问题。
Hacker News · AI 高分帖精选AI 评分7878 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，即日起在 Gemini API 和 Google AI Studio 上线，Flash-Lite 版同步进入 Google Vids。
选题角度：原文给出两款 TTS 模型的开放入口、2000+ 音色库和 30 秒声音复刻能力，适合上手实测同一段脚本的语音生成效果。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
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逐句表演指导，后者面向高并发、低成本的配音与语音智能体场景。
选题角度：官方给出 AI Studio 音频 playground 入口和 30 秒样本复刻声音的流程，适合录屏实测从提示词造声到双人剧本逐句导演的完整玩法。
The DecoderAI 评分7272 阿里发布 Qwen-Audio-3.1 五款模型，AI 音频价格最高降 95%
阿里 Qwen 团队发布 Qwen-Audio-3.1，包含五款覆盖语音识别（ASR）、文本转语音（TTS）和实时交互的模型。
X · 通义千问 Qwen精选爆款AI 评分7272 通义千问发布 Qwen-Audio-3.1 音频模型栈，新增 TTS-Next 与 ASR-Next 并大幅降价
通义千问发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两个模型，共五个模型覆盖理解、生成、交互与创作。
选题角度：官方放出五个音频模型和最高95%的降价，适合逐项实测ASR去口水词、TTS-Next一次生成音效与背景音的效果。
ElevenLabs BlogAI 评分2222 ElevenLabs 发布 Scribe v2 Medical，面向临床音频的语音转文字模型全面开放
ElevenLabs 发布面向临床音频微调的语音转文字模型 Scribe v2 Medical，已在 ElevenAPI 全面开放，临床音频 WER 较基础版 Scribe v2 降低约 35%。