Microsoft AI 发布用于语音智能体的转录和文本转语音模型
Microsoft AI 发布 MAI-Transcribe-2-Streaming 实时转录模型，支持 60 种语言，首个部分结果交付时间约 100 毫秒，在 Artificial Analysis 准确率排名第一，年内定价 $0.54/小时。
推荐理由：原文给出了具体的性能指标（100ms 延迟、60 种语言、$0.54/小时）和对比数据，读者可以据此评估新产品相对于现有方案的性价比。
AI 工具导航
近 30 天 · AI 圈最值得看的 7 个AI 新工具
每条发布 = 一张工具卡 · 命中 "新工具 / 产品更新 / 模型发布 / 平台" 标签(itemType=tool_release)· 按时间排序
#语音×
The Decoder精选AI 评分7777 Product Hunt · AI 分类精选AI 评分6767 Clarity: 实时 TTS 工具发布，支持语音克隆与亚 60ms 延迟
Clarity 是一款柏林团队开发的实时文字转语音产品，具备语音克隆能力，延迟低于 60ms，支持本地部署或 API 调用。其语法感知规范化功能可自然朗读 25+ 语言的电话号码、IBAN、地址和药物名称，并提供词级时间戳和 IPA 标注。适配 LiveKit、Pipecat 和 Vapi 平台。
推荐理由：原文给出了核心能力（实时 TTS、语音克隆、低延迟、语法感知规范化、多语言适配）和可用方式（本地部署或 API），读者可以判断它与其他 TTS 产品的差异。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Text-to-Speech
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款新的文本转语音模型，在 Hume AI Voice Design Benchmark 获得第一。
推荐理由：原文给出了具体的能力变化和开放入口，读者可以据此判断它会怎样改变现有的语音生成工作流。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布两款新的实时对话模型：Gemini 3.8 Live 注重规模化和成本效率，结合对话智能与流畅交互；Gemini 3.8 Live Extended Thinking 面向高复杂度任务，具备增强智能和多步推理能力。
推荐理由：原文给出了具体性能数据（82.6% Speech to Speech Quality Index、68.6% τ-Voice 等）和多个平台可用入口，读者可据此判断该模型相对现有产品的能力提升和适用场景。
OpenAI News精选AI 评分6767 OpenAI 在 API 中推出 GPT‑Live‑1，实现更自然的语音体验
GPT‑Live‑1 将自然全双工语音对话能力引入 API，具备更强的指令遵循、定制语音和电话支持功能。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Hugging Face Blog精选AI 评分6262 Hugging Face 和 Cerebras 合作展示 Gemma 4 实时语音 AI
Hugging Face 与 Cerebras 合作展示了基于 Gemma 4 的实时语音转语音系统，采用模块化开源架构：Nvidia Parakeet 语音识别 + Cerebras 加速 Gemma 4 VLM 推理 + 阿里 Qwen3TTS 语音生成。该系统已在超过 9,000 台 Reachy Mini 机器人上部署，旨在解决语音 AI 的延迟问题，提供更稳定、可预测的低延迟体验。
推荐理由：原文展示了实时语音 AI 的低延迟方案，读者可以了解这个技术演示的核心架构和性能改进。
Mistral AI精选AI 评分7979 Mistral AI 发布 Voxtral TTS 文本转语音模型
Mistral AI 发布 Voxtral TTS，一个 40 亿参数的文本转语音模型，支持 9 种语言的情感化语音生成，具备低延迟和快速语音适配能力。该模型通过 API 和 Mistral Studio 提供，起步价每千字符 0.016 美元，支持仅 3 秒参考音频即可适配定制语音。
推荐理由：原文给出了与 ElevenLabs 的对比数据和具体价格，读者可以据此判断 Voxtral TTS 在语音生成领域的能力和成本。
已经到底了