AfriBED 发布面向低资源非洲语言的 ASR 偏差评测数据集
AfriBED 是面向 Bemba 和 Nyanja 两种低资源非洲语言的语音识别偏差评测数据集，用于检测 ASR 系统在性别和说话人类型上的偏差。Bemba 部分包含 80 位说话人的 3928 条语音共 9 小时，Nyanja 部分包含 127 位说话人的 6260 条语音约 18 小时。
#语音
#语音
今日 0 条arXiv cs.AI / cs.LG 最新AI 评分5252 The DecoderAI 评分7373 可灵（Kling）发布 4.0 版本，新增立体声与十多种语言口型同步并推出 Flash 轻量版
Kling AI 发布视频生成模型 4.0，单次可生成长达 30 秒的视频，提示词理解扩展到 8,000 tokens。升级后的 Omni Reference 一次最多接受 15 个参考素材，包含 10 张图片、合计最长 30 秒的 5 段视频和 7 个元素，并新增双声道立体声与覆盖德语、英语、日语、韩语、西班牙语等十多种语言的口型同步。
Hugging Face Blog精选AI 评分6262 TII 发布 1.6B 参数 Falcon-ASR 语音识别模型，主打阿联酋阿拉伯语方言
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，重点覆盖阿拉伯语及阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
推荐理由：做阿拉伯语语音转写的团队可以用 Falcon-ASR 的词级时间戳处理会议和电话录音，并先在阿联酋方言素材上验证转写准确率。
Hugging Face Blog精选AI 评分6464 Hugging Face 上线 Open TTS Leaderboard，用客观指标评测多语言 TTS 与声音克隆
Hugging Face 上线 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开源多语言 TTS 与声音克隆模型。
推荐理由：评估开源 TTS 选型的团队可以按目标语言和声音克隆需求在榜单筛出候选模型，再去 Listen 页试听对比。
Google DeepMind精选AI 评分8383 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
Google 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型。Flash 版支持用自然语言提示词从零设计角色音色，基于 30 秒样本复刻声音，提供 2000+ 音色库和 100 多种语言，并可逐句指定语气、节奏与双人对白。
推荐理由：播客与有声书团队可以先用 30 秒样本复刻音色，再按脚本逐句指定语气，试做多语言旁白。
Google DeepMind精选AI 评分7878 Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 实时语音模型
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。
推荐理由：做语音客服的开发者可用 Gemini Live API 接入 3.8 Live，先小流量验证延迟和后台工具调用。
Hugging Face Blog精选AI 评分6464 Open ASR Leaderboard 新增印地语与印度英语评测集 Monsoon
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 上线 Monsoon 印地语与印度英语评测集，四个划分合计覆盖 4888 名说话人，每条音频记录 12 项说话人属性。
推荐理由：做印地语或印度英语语音识别的团队，可以先在 Monsoon 公开集上自测，再按地区、年龄和机型拆分 WER 以定位模型短板。
Google DeepMind精选AI 评分7575 Google 发布 Gemini 3.5 Transcribe 语音转写模型，流式 WER 4.0%
Google 发布语音转文字模型 Gemini 3.5 Transcribe，可直接把原始音频转成准确、带格式的书面文本，还能去掉口头语、处理自我更正并识别用户自定义词表。
推荐理由：开发者可以在 Gemini API 里用实时流式接口接语音客服或会议转写，先验证延迟和自定义词表效果。
Hugging Face Blog精选AI 评分6969 Hugging Face 用三项测试量化 11 个开源 ASR 模型的基准优化现象
Hugging Face 提出共识分歧探针、遮蔽实体检索和拼写切换三项测试，用于量化语音识别模型的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：做语音模型选型时，可先用 Open ASR Leaderboard 的 Benchmark fitting 标签查看候选模型是否复现参考文本错误。
Google Research精选AI 评分7575 Google Research 发布 AMIE (Video)，支持实时视频问诊并引导体格检查
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频问诊，可观察非语言线索、引导虚拟体格检查并同步推理诊断。
推荐理由：做医疗 AI 或远程问诊的团队可以借鉴它的三智能体异步分工，把实时对话与后台推理拆开再搭视频问诊原型。
Hugging Face Blog精选AI 评分6868 NVIDIA 开源 Magpie TTS 多语言模型扩展至 12 种语言
NVIDIA 在 Hugging Face 发布 Magpie TTS Multilingual 开源权重模型，364M 参数，覆盖 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：做多语言语音客服的团队可以拉取这套 364M 开源权重，在自有 GPU 上实测首字延迟，再用 NeMo 微调自家发音。
Google DeepMindAI 评分5353 Google DeepMind 在 Flow Music 上线音乐生成模型 Lyria 3.5
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 上线。官方称新版在旋律结构上更丰富自然，歌词质量提升、对提示词的遵循度和结构意识更好，人声更有表现力和情感、发音也更准确。同时用户可以更方便地控制输出音频的速度与时长。适合在 Flow Music 里创作歌曲、并希望对生成结果有更细致控制的人。
Google DeepMind精选AI 评分7979 Google 发布 Gemini 3.5 Live Translate，支持 70 多种语言近实时语音互译
Google 发布音频模型 Gemini 3.5 Live Translate，可在 70 多种语言之间进行近实时语音到语音翻译，并保留说话人的语调、节奏和音高。
推荐理由：开发者可用 Gemini Live API 公开预览版接入实时会议或客服通话，先验证 70 多种语言的语音互译原型。