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。
语音与音频
全部主题语音合成、克隆、转写与配音工具，含本地部署与商用授权差异。
最新精选
第 1–10 条 · 共 10 条Hugging Face Blog精选AI 评分6262
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 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。