Modulate 完成 2500 万美元融资，用于其语音模型和分析套件
Modulate 完成 2500 万美元融资，用于其平台，该平台使用一系列小型模型为企业提供转录、情感分析、deepfake 检测和 AI 音乐检测，以及政策执行服务。
#语音
#语音
今日 2 条TechCrunch · AIAI 评分4141 AWS Machine Learning BlogAI 评分4949 如何在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
在 Amazon SageMaker AI 上用 AWS vLLM-Omni DLC 部署 Qwen3-TTS，文本与音频经同一条持久双向连接传输，语音可在整段生成完成前开始播放。
Google DeepMind精选AI 评分6363 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，已在 Gemini Enterprise 上线
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话结合，为企业对话模型加上动态视觉形象，已在 Gemini Enterprise 上线。
推荐理由：原文给出实时视频形象与异步工具调用的能力说明，读者可据此了解企业智能体的交互形态变化。
Google DeepMindAI 评分4646 Google DeepMind 发布 Gemini 3.8 Flash TTS，支持生成自定义角色语音
Google DeepMind 发布了 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型，支持通过自然语言提示生成自定义角色语音。
Google DeepMind精选AI 评分7373 Google DeepMind 推出 Gemini 3.8 Live 和 3.8 Live Extended Thinking 模型
Google DeepMind 发布了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 模型，专注于近实时推理和语音代理。
推荐理由：Google DeepMind 发布了 Gemini 3.8 Live 系列模型，提升实时推理和语音代理能力，支持复杂任务执行与流畅对话，为开发者构建生产级语音代理提供高效工具。
Google DeepMind精选AI 评分6262 Google 发布 Gemini 3.5 Transcribe 语音转写模型
Google 发布语音转文字模型 Gemini 3.5 Transcribe，据 Artificial Analysis 测试流式 WER 为 4.0%、非流式为 2.6%。
推荐理由：原文列出流式与非流式 WER、延迟改进幅度及两条 API 形态，可与 Chirp 3 对照判断升级幅度。
Mistral AIAI 评分3939 Mistral 与 HUMAIN 宣布战略合作，推进沙特及区域主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，初期聚焦网络安全与语音，并计划开发阿拉伯语表现强劲的前沿模型，合作规模达数亿欧元。Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特推进联合 go-to-market 策略，面向受监管行业。
Hugging Face BlogAI 评分5858 NVIDIA 开源 Magpie TTS 多语言语音模型，支持 12 种语言与自有环境部署
NVIDIA 发布 364M 参数的开源语音合成模型 Magpie TTS Multilingual，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并提供男声与女声。
Google DeepMindAI 评分4848 Google 在 Flow Music 上线 Lyria 3.5，升级音乐性、歌词、人声与创作控制
Google 在 Flow Music 中上线新一代音乐生成模型 Lyria 3.5，在音乐性、歌词、人声质量和创作控制四方面带来提升。该模型可生成更复杂自然、旋律结构更丰富的作品，歌词的提示词遵循与结构意识更好，人声更具情感表现力且发音改善，用户还能更便捷地控制输出节奏与时长。
Google DeepMindAI 评分5656 Gemini 3.1 Flash TTS 发布，支持音频标签与 70+ 语言
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款在可控性、表现力和音质上均有提升的文本转语音模型。该模型在 Artificial Analysis TTS 榜单上取得 1,211 Elo，支持 70+ 语言、原生多说话人对话，并新增可用自然语言控制语气、语速和演绎方式的音频标签。