谷歌Gemini Notebook新增功能：支持移动端近100种语言实时对话，可录音记录讲座和想法，生成互动学习概览、信息图、测验和闪卡，新增简答、多选、填空等题型，并推出约60秒短视频概览，支持80多种语言。美国大学生可免费获一年Google AI Pro，其他140多市场学生可免费获一年Google AI Plus。
NVIDIA发布开源11B端到端语音模型NemotronLabs VoiceChat 11B，支持实时全双工对话，延迟仅448毫秒，可插话和调用工具。需80GB GPU，仅供研究，未用于生产。在基准测试中表现优异，但存在音频时长限制和语音降级等问题。
Qwen-Audio-Agent是一个开源实时语音交互系统，支持全双工对话、随时打断和补充需求，可将复杂任务委派给OpenCode、Claw等主流Agent执行。系统提供TUI、WebUI及桌面版，安装配置简单，旨在实现更自然的人机协作体验。
Thinking Machines提出了一种新的AI交互模型，旨在改善人机协作。该模型通过时间对齐的微轮次处理输入和输出，实现实时对话，克服了传统模型的局限性。它结合了快速的交互模型和慢速的背景模型，能够同时处理深度推理和实时响应，从而提升了交互的流畅性和效率。
AI Gateway现已支持语音和音频模型，用户可以实时构建语音代理、将文本转换为语音以及进行音频转录。这些功能在测试阶段，提供与文本、图像和视频模型相同的可观察性和费用控制，用户可通过AI SDK 7实现低延迟的实时对话。
MiniMax M3是最新的开源模型，优化了编码和多模态任务。其稀疏注意力机制显著提高了计算效率，减少了每个令牌的计算需求，提升了速度。该模型在Modular平台上可供企业客户使用，支持实时患者对话的灵活推理。
谷歌将在夏季推出珊瑚AI开发板，支持本地运行270M模型，实现实时对话、语音对话、文本和音乐生成等功能。该开发板配备1TOPS算力的NPU芯片，使用2GB内存，支持WiFi和蓝牙连接。由于芯片供给紧张，预计售价不会低。
OpenAI推出了三种音频模型，分别是GPT-Realtime-2（实时对话）、GPT-Realtime-Translate（支持70多种语言的实时翻译）和GPT-Realtime-Whisper（低延迟语音转文本）。这些模型提升了语音交互的智能性和响应能力，适用于客户支持和教育等领域。
Voxtral TTS是Mistral AI推出的开源文本转语音模型，支持九种语言，能够在三秒音频基础上克隆声音，具有70毫秒的低延迟和9.7倍的实时因子，适合实时对话应用。用户可通过Mistral API或自托管方式使用，提供灵活的商业和非商业使用选项。
谷歌翻译成立20年来，致力于消除语言障碍，促进理解，支持近250种语言，每月有超过10亿用户使用。新推出的发音练习工具帮助用户提高口语能力，翻译不仅用于旅行，也成为学习新语言的重要工具。AI技术的应用使翻译更加自然流畅，用户可以实时对话，增强交流体验。
Cloudflare 为其 AI Agent SDK 引入语音功能，支持实时对话，通过 @cloudflare/voice 包实现语音输入和文本转语音。开发者可以利用持久对象基础架构保持对话历史，并通过 WebSocket 连接实现低延迟交互，旨在提供更自然的多模态 AI 体验。
谷歌推出了Gemini 3.1 Flash Live，这是其最高质量的音频模型，旨在提供更自然、可靠的实时对话。该模型支持开发者通过Gemini Live API使用，企业可用于客户体验，用户可通过Search Live和Gemini Live体验。3.1 Flash Live在理解语调和处理复杂任务方面表现出色，能够在嘈杂环境中提供更自然的对话，所有生成的音频都带有水印，以防止虚假信息传播。
LLM的上下文窗口是模型一次处理的最大文本量，受自注意力机制和GPU内存带宽限制。现代模型的上下文窗口已扩展至128K-2M标记，但较小的窗口在实时对话和特定任务中表现更佳。在生产环境中，语义缓存和检索增强生成等策略能有效提升性能。
谷歌搜索推出Gemini音频模型，用户可通过语音与AI实时对话，获得更自然的回答。只需在谷歌应用中点击Live图标提问，便可享受更好的DIY帮助和学习体验。该功能将在未来一周内向美国用户推出。
谷歌翻译推出新功能，利用AI实现实时对话翻译和个性化语言学习。用户可在70多种语言中进行自然对话，应用程序智能识别语音和停顿。新的练习功能根据用户水平定制听说练习，提升翻译质量和用户体验。
本研究提出了一种多模态模型MM-When2Speak，旨在解决大型语言模型在实时对话中的反应时机问题。该模型结合视觉、听觉和文本信息，能够准确预测何时及如何回应。实验结果表明，其在响应时机的准确性上显著优于现有模型，强调了多模态输入在对话AI中的重要性。
中国科学院计算技术研究所推出的LLaMA-Omni2是一个支持语音的大型语言模型，结合语音感知与语言理解，实现实时口语对话。该模型采用端到端流水线，训练成本低且具有模块化可解释性。在200K语音对话样本上训练后，LLaMA-Omni2的表现优于基线模型，证明高质量、低延迟的语音交互无需大量语料库。
本研究提出VITA-Audio，一种高效的大规模语音模型，解决了现有模型在流媒体生成首个音频令牌时的高延迟问题。通过引入轻量级的多模态交叉令牌预测模块，该模型显著提高了推理速度，具备实时对话能力，并在多个任务中表现优异。
三月，我们推出了与Gemini实时对话的功能，支持45种语言。用户可通过摄像头或屏幕分享，获得整理空间、创意头脑风暴、故障排除、购物建议和技能反馈等帮助。该功能已在Pixel 9和Samsung Galaxy S25设备上推广。
open_deep_research 是一款网络研究助手，支持自定义报告生成和模型选择。OpenROAD 实现快速半导体设计转换，WhisperFusion 提供实时对话体验，rustdesk 是安全的远程桌面应用，vue-office 支持多种文档预览。
完成下面两步后，将自动完成登录并继续当前操作。
