[AINews] Thinking Machines' Native Interaction Models - TML-Interaction-Small 276B-A12B - advances SOTA Realtime Voice and kills standard VAD★ 85
Latent Space21d agoReleaseAI 研發團隊 Thinking Machines 推出全新原生互動模型「TML-Interaction-Small 276B-A12B」。該模型專為即時語音設計，擁有 276B 總參數與 12B 啟用參數。它不僅刷新了即時語音的技術前沿（SOTA），更透過原生互動機制，徹底取代了傳統的語音活動檢測（VAD）模組，實現更自然、無縫的雙向語音對話。
[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。
A New Framework for Evaluating Voice Agents (EVA)★ 75
Hugging Face Blog70d agoReleaseServiceNow AI 在 Hugging Face 上發布了名為「EVA」（Evaluating Voice Agents）的全新開源評估框架。該框架旨在解決傳統文字 LLM 評估無法涵蓋語音互動特性的痛點，專注於即時延遲、語音打斷、輪替（Turn-taking）及語意理解等多維度指標。這為開發下一代即時語音助理（如類似 GPT-4o 或 Gemini Live 的應用）提供了標準化的測試基準。
AI Voice Elements★ 75
Vercel Changelog139d agoReleaseVercel 發布全新「AI Voice Elements」，旨在幫助前端開發者輕鬆建立語音 AI 互動介面。這套工具提供開箱即用的 React 組件（如語音波形圖、麥克風按鈕）與狀態管理 Hook，並與 Vercel AI SDK 深度整合。開發者能藉此快速對接 OpenAI Realtime API、ElevenLabs 等主流語音服務，大幅降低構建即時語音應用的門檻。
Voice Cloning with Consent★ 75
Hugging Face Blog217d agoNew ToolHugging Face 發表全新的「Voice Consent Gate」安全機制，旨在解決語音複製技術帶來的深偽（Deepfake）與盜用風險。該機制要求用戶在複製語音前，必須錄製一段特定的動態聲明以驗證身份與授權意願。這項開源工具將幫助開發者輕鬆在應用中整合語音授權驗證，推動更負責任的 AI 語音技術發展。
Deploying Speech-to-Speech on Hugging Face★ 75
Hugging Face Blog588d agoTutorialHugging Face 發布技術教學，介紹如何在 Inference Endpoints 上部署語音對語音（Speech-to-Speech, S2S）模型。透過自訂 EndpointHandler 與串流（Streaming）技術，開發者可以實現低延遲的即時語音互動。本文以開源的 Mini-Omni 模型為例，展示了從環境設定、撰寫自訂推論邏輯到部署至 GPU 節點的完整流程。
Powerful ASR + diarization + speculative decoding with Hugging Face Inference Endpoints★ 75
Hugging Face Blog762d agoTutorialHugging Face 介紹了如何在 Inference Endpoints 上整合自動語音辨識（ASR）與語者辨識（Diarization）。透過結合 Whisper 與 PyAnnote 模型，並導入投機解碼（Speculative Decoding）技術，大幅提升了語音轉文字的推理速度與精準度。此方案為開發者提供了一個開箱即用、具備高擴展性的生產級語音處理管線。