小米开源空间音频理解大模型 MiDashengLM-Spatial
小米宣布开源 Dasheng 系列新成员 MiDashengLM-Spatial，以 Apache 2.0 许可证发布完整模型权重和推理代码。该模型基于 MiDashengLM-7B，赋予大模型空间感知与推理能力，使其不仅能听懂内容，还能判断声音来源及空间分布。小米称其为业界首个开源端到端空间音频理解大模型，计划应用于智能家居和汽车座舱等场景以提升交互体验。
#语音
IT之家AI 评分5757
Artificial AnalysisAI 评分3737 Grok Voice 3.0语音榜第三
在我们的语音智能体竞技场中，人们进行盲测实时语音对话并选择他们偏好的模型，Grok Voice 3.0以1070的Elo分数位列第3，落后于Gemini 3.1 Flash Live Minimal（1100）和Gemini 3.8 Live（1088），领先于GPT-Live-1 (Sol, low)（1057）。它还
Artificial AnalysisAI 评分5555 Artificial Analysis评测显示Grok Voice 3.0登顶Speech to Speech Index
Artificial Analysis评测显示SpaceXAI的Grok Voice 3.0以86.9分位居Speech to Speech Index榜首。该模型作为Grok Voice 2.0的继任者，在保持延迟竞争力的同时取得了新的领先成绩。
IT之家精选AI 评分7878 SpaceXAI 发布 Grok Voice 3.0：延迟低于 1 秒，已在 API 上线
SpaceXAI 发布 Grok Voice 3.0，官方称其为全球智能水平最高的语音转语音模型，延迟低于 1 秒且运行成本低于同级前沿模型。在 Artificial Analysis 独立测试中，该模型以 86.9 分位居语音转语音综合榜单第一，全双工基准测试得分 97%。
推荐理由：原文引用了第三方基准测试数据与具体定价，读者可据此评估其在客服场景下的性能表现与成本效益。
Artificial AnalysisAI 评分2525 Drama 3 Preview语音鲁棒性领先
Pronunciation Robustness（发音鲁棒性）衡量文本转语音模型在四个类别中正确发音挑战性文本的能力，由人工评审员根据预先商定的可接受发音对每个音频片段进行评判。Drama 3 Preview 以 93.2% 的得分位居整体榜首。➤ 独立术语：Drama 3
Artificial AnalysisAI 评分3535 HeyGen Voice登顶TTS排行榜
HeyGen Voice 在 Artificial Analysis Controlled Voice TTS Arena Leaderboard 上占据第 #1 位置，领先于阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 和 ElevenLabs 的 Eleven v4 Turbo。HeyGen Voice 是 @HeyGen 推出的首个 Text to Speech 模型，在我们的 Controlled Voice Arena 中接受评估，其中
DeepLearning.AI精选AI 评分7272 DeepLearning.AI 解析端到端语音模型如何替代传统语音处理链路
DeepLearning.AI 发布内容解析端到端语音模型的技术原理，指出其通过单一模型直接处理音频输入输出，取代了传统的 ASR、LLM 和 TTS 串联架构。该方式减少了延迟并保留了语调与情感细节，代表了语音交互从模块化向一体化演进的趋势。
推荐理由：原文对比了传统语音处理链路与端到端模型的差异，帮助读者理解新一代语音交互的技术演进路径。
Hugging Face BlogAI 评分4242 Hugging Face 发布 Falcon ASR：1.6B 参数阿拉伯语语音识别模型
Hugging Face 推出 Falcon-ASR，一款由 TII 开发的 1.6B 参数阿拉伯语语音识别模型。该模型在六组阿拉伯语测试集上平均词错误率为 20.92%，优于此前最佳公开结果 23.17%。它支持英语、法语等五种语言及单词级时间戳，可在 Hugging Face Demo 中试用。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 推出两款新文本转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。前者支持通过自然语言提示从零创建自定义角色声音并逐行控制表演细节，后者针对高音量、低成本场景优化。这些模型现已在 Google AI Studio、Gemini API 等平台开放使用，并在 Hume AI 基准测试中取得领先成绩。
推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了自定义角色声音和逐行导演对话的能力，适合评估其在多模态交互中的潜力。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款最新实时对话模型，旨在提升语音智能体的推理能力与交互流畅度。
推荐理由：原文给出了两款新实时对话模型在智能体任务完成率和多语言切换上的具体基准数据，以及面向开发者与企业的分阶段开放入口。