技术方向
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。
量子位精选8080DeepSeek 宣布正式开放全家桶应用 API，联网搜索、深度思考搜索、文件上传、链接阅读等 App 内功能均提供独立接口，可单独调用、分别计费。语音能力首次加入开放行列，包含 ASR 和 TTS 接口，语音识别原价 0.78 元/小时、现五折 0.39 元/小时，语音合成每万字符 1.5 元。
推荐理由: 原文列出 DeepSeek 开放的工具接口清单与五折语音定价，读者可据此估算语音助手、文档处理类应用的调用成本。
Cursor Changelog精选6060Cursor推出Voice Chat，用户可与智能体进行实时语音通话，口述改动需求、询问智能体正在做什么，并听取进展更新。
推荐理由: 官方说明了语音通话在哪些端可用、如何与编码智能体分工，读者可据此判断它适合哪些协作场景。
IT之家 · AI精选7272Meta 宣布个人 AI 助手 Muse 上线实时语音对话与虚拟形象功能，率先面向美国用户推送，覆盖移动端、网页端和 Mac 应用。该功能由 Muse Realtime Voice 与 Muse Realtime Avatar 两个模型支持，可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从用户说完话到收到首个音视频响应的延迟约为 870 毫秒。
推荐理由: 原文给出了实时语音与虚拟形象的延迟、分辨率和交互方式，读者可据此判断这类面对面智能体交互的成熟度。
Hugging Face Blog精选7272Phonon 发布可在本地设备运行的小型 TTS 模型，无需服务器和网络，提供约 65 MB 和 75 MB 两个版本，覆盖英语、法语、德语、西班牙语和葡萄牙语。
推荐理由: 原文交代了端侧 TTS 的模型规格、开源许可与榜单表现，可据此判断小模型在本地语音场景的可用边界。
IT之家 · AI精选7878英伟达于 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe，整合转录、说话人归属、翻译和音频问答，采用 MoE 架构，总参数约 340 亿、激活参数约 43 亿，可处理最长 1 小时录音，支持 40 种语言转录、最多区分 8 名说话人。
推荐理由: 英伟达开源语音转录模型，公开了参数规模、多语言与说话人分离能力及榜单成绩，可对照现有开源 ASR 方案。
Hugging Face Blog精选7878NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。
推荐理由: 原文给出多语言转写、说话人分离与翻译的统一权重模型，并附开放数据管线和微调配方，可据此判断语音场景的适配路径。
Ollama Blog精选6262Ollama新增文本转语音能力，首个接入的语音模型是Gradium的小型TTS模型家族Phonon，目前支持macOS、Windows和Linux，支持即将推出。
推荐理由: 原文给出Ollama接入语音模型后的吞吐对比、准确率与OpenAI兼容接口，可据此判断本地TTS的落地方式。
腾讯混元 · Hugging Face 新模型精选7272腾讯混元发布 Hy-SimulMT 实时同声传译模型，支持中英双向语音到语音翻译，并具备实时声音克隆能力。在 RealSI 长音频评测中，其 StreamLAAL 约为 3 秒，为对比系统中最低，GEMBA 分数超过所比较的开源模型和五个商业 API 中的四个。
推荐理由: 官方给出实时同传的延迟与质量对比数据，并开放 GGUF 权重和推理部署脚本，可据此评估落地方式。
腾讯混元 · Hugging Face 新模型精选7373腾讯混元发布 Hy-SimulMT 实时同声传译模型，支持中英双向语音到语音翻译，并可在说话过程中持续输出译文文本与语音，同时通过实时声音克隆保留说话人音色。在 RealSI 长音频评测中，其 StreamLAAL 约为 3 秒，为对比系统中最低，GEMBA 分数高于所比较的开源模型和五个商业 API 中的四个。
推荐理由: 官方给出实时同传的延迟与质量对比，并开放模型权重和推理部署脚本，可据此评估落地方式。
腾讯混元 · Hugging Face 新模型精选7373腾讯混元发布并开源 Hy-SimulMT-30B-A3B 系列实时同传模型，支持中英双向语音到语音翻译和实时声音克隆，同时输出译文文本与语音。在 RealSI 长音频评测中 StreamLAAL 约 3 秒，为对比系统中最低，GEMBA 分数超过所比开源模型和 5 个商业 API 中的 4 个。
推荐理由: 官方给出实时同传的延迟与质量对比，并开放模型权重和推理部署工具，可据此判断落地条件。
腾讯混元 · Hugging Face 新模型精选7474腾讯混元发布 Hy-SimulMT-30B-A3B 实时同声传译模型，支持中英双向语音到语音翻译并实时克隆说话人音色，已在 Hugging Face 开源多个版本。
推荐理由: 官方给出与开源模型、商业 API 及专业同传译员的对比数据，可据此判断实时同传的质量与延迟取舍。
腾讯混元 · Hugging Face 新模型精选7272腾讯混元发布并开源实时同声传译模型 Hy-SimulMT-30B-A3B，支持中英双向语音到语音翻译，可在说话过程中持续输出译文文本与语音，并支持实时声音克隆。
推荐理由: 官方给出实时同传的延迟与质量对比，并开放多个量化版本和推理部署脚本，可据此评估落地成本。
腾讯混元 · Hugging Face 新模型精选7575腾讯混元发布并开源 Hy-SimulMT-30B-A3B，支持中英双向语音到语音实时同声传译，边接收音频边输出译文文本和语音，并支持实时声音克隆。在 RealSI 长音频评测中，其 StreamLAAL 约为 3 秒，为对比系统中最低，GEMBA 分数高于所比较的开源模型和五个商业 API 中的四个。
推荐理由: 原文给出中英双向同传的延迟与质量对比数据，并附开源权重和部署方式，可据此判断实时语音翻译的可用程度。
