Introducing Gemini Omni★ 95
Google DeepMind Blog16d agoReleaseGoogle DeepMind 發表新一代「Gemini Omni」模型，採用原生端到端全模態架構，能同時處理並輸出文字、音訊與視覺資訊。該模型顯著降低了互動延遲，實現如同真人般的流暢對話與即時視訊引導，未來將深度整合至 Android 系統與 Google 生態系，並透過 API 開放給開發者。
[AINews] GPT-Realtime-2, -Translate, and -Whisper: new SOTA realtime voice APIs★ 85
Latent Space25d agoReleaseOpenAI 推出全新一代即時語音與音訊 API，包含 GPT-Realtime-2、GPT-Translate 以及 GPT-Whisper。這些 API 將 GPT-5 的強大能力導入語音領域，提供全新業界領先（SOTA）的即時語音互動、多語言翻譯與語音識別效能，展現了 OpenAI 將 GPT-5 架構全面鋪設至各類應用場景的野心。
Gemini 3.1 Flash Live: Making audio AI more natural and reliable★ 85
Google DeepMind Blog68d agoReleaseGoogle DeepMind 發表最新語音模型 Gemini 3.1 Flash Live。該模型專為即時語音互動設計，透過顯著降低延遲與提升精準度，讓 AI 語音對話變得更加流暢與自然。這項更新將大幅優化語音助理與即時互動應用的使用者體驗，並為開發者提供更強大的即時語音 API 支持。
Improved Gemini audio models for powerful voice experiences★ 85
Google DeepMind Blog172d agoReleaseGoogle DeepMind 宣布推出改進後的 Gemini 音訊模型，專為即時語音體驗進行優化。新模型採用原生多模態架構，無需經過「語音轉文字」的中介步驟，即可直接理解並生成語音，大幅降低延遲。這項升級將賦予開發者構建更具情感表現力、反應更迅速的語音助理與互動應用的能力，並已陸續在 Google AI Studio 與 Vertex AI 上線。
Real-Time AI Sound Generation on Arm: A Personal Tool for Creative Freedom
Hugging Face Blog364d agoRelease本文介紹如何在 Arm 架構硬體（如筆電、手機及邊緣設備）上運行即時 AI 聲音生成模型。透過 Hugging Face 與 Arm 的技術優化，創作者現在能以極低延遲在本地端生成音效，無需依賴昂貴的雲端 GPU。這項突破不僅提升了創作隱私，也為離線互動式媒體與遊戲開發開闢了新路徑。
FastRTC: The Real-Time Communication Library for Python★ 85
Hugging Face Blog462d agoReleaseHugging Face 發表全新開源庫 FastRTC，旨在簡化 Python 中的 WebRTC 即時音視訊串流開發。它解決了傳統 WebRTC 繁瑣的連線與協定處理，並與 Gradio 及 FastAPI 深度整合。開發者現在能以極低門檻，快速打造出類似 GPT-4o 或 Gemini Live 的即時語音對話機器人與視訊互動應用。