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。
OpenAI计划在2026年前推出升级版音频模型，以提升语音对话的自然性和准确性，并重组团队专注于音频AI。同时，将发布智能眼镜和无显示屏音箱等音频设备。
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。
谷歌的Gemini Live AI助手即将推出新功能，能够实时与用户互动并高亮显示物品。用户可通过手机摄像头找到所需工具。此外，Gemini Live将与消息、电话和时钟等应用程序集成，允许用户在对话中发送消息或拨打电话。更新的音频模型将改善语音的语调和节奏，使对话更自然。
Mistral AI发布了Voxtral音频模型，提供24B和3B两个版本，旨在解决语音智能市场的痛点。该模型支持多语言、长文本处理和问答功能，性能优于现有开源模型，成本低，适合多种应用场景，推动语音交互普及。
OpenAI推出新一代音频模型，具备语音转文本和文本转语音功能，显著提升转录精度和语音风格控制，适用于多种应用场景。该模型在多语言测试中表现优异，定价合理，旨在提升开发者体验和语音交互的情感表达。
2025年3月20日，推出新一代音频模型，提升语音代理的智能和交互能力。新模型具备更精准的语音转文本和文本转语音功能，适用于客户服务和创意叙事等场景，开发者可定制语音风格，增强用户体验，且在多语言环境中表现优异。
Standard Intelligence Lab发布了Hertz-Dev，一个开源的85亿参数音频模型，理论延迟为80毫秒，实际延迟为120毫秒，旨在提升实时交互性能。该模型降低了计算需求，适合独立开发者和小型企业，推动AI技术的普及，广泛应用于客户服务和智能家居等领域。
本研究使用神经音频编解码器EnCodec生成音频，并学习通用音频模型EncodecMAE，取得了与领先的音频表示模型相媲美或更好的性能。
完成下面两步后，将自动完成登录并继续当前操作。
