语音与音频

Block 推出新的语音生成模型，官方称其音色接近真人，且能在 MacBook M4 Max 上本地运行，为端侧语音合成提供了新选项。

Square 与 Cash App 母公司 Block 发布语音模型 Dessa，直接处理音频而非先转文字，可实时识别情绪、讽刺与停顿，目前已在 MacBook Pro M4 Max 上本地运行，但尚未对外开放。

Gradium 以 Apache 2.0 协议开源端侧 TTS 模型家族 Phonon，英文版仅 31M 参数、体积 64.5 MB，在笔记本 CPU 上约 7 毫秒即可开始发声。

IBM 发布 Granite Speech 5.0 2B 语音识别与翻译模型，采用 Apache 2.0 许可，在 Open ASR Leaderboard 上以 5.68% 的平均英文 WER 位列第二，同时更新 Turbo CTC 与 4.1 2B Plus 两个型号。

MarkTechPost 发布 Cactus Whistle 编码实测指南，在 CPU 上对比这个 16.9 MB 语音模型与 Whisper Base 的词错率、速度、流式延迟、时间戳、关键词与语音调用工具能力。

Ars Technica 评论指出，苹果音乐推出由人手工打造的新品牌视觉，是对抗 AI 批量生成内容的一次姿态表达——当内容越来越廉价，展示“人的痕迹”本身成了差异化。

IBM 的 Granite Speech 5.0 在语音转写、翻译和说话人归属三项能力上同步提升准确率与速度，进一步压缩企业级语音处理的开销。

Mistral AI 推出 Voxtral 3 系列，包含 3 款语音转写模型、1 款文本转语音模型，以及基于 LiveKit 的语音智能体 SDK；其中 Voxtral Small Transcribe 3 在 Artificial Analysis 榜单上以 2.1% 的 AA-WER 位列第三。

ElevenLabs 推出两款面向实时对话的语音转语音模型，其中 v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间 0.57 秒，官方称在 Artificial Analysis 榜单上无模型能同时更快且更准。

Mistral AI 推出 Voxtral 3，将语音转写、语音合成与语音 Agent SDK 整合为一体，支持 50 多种语言，并可在实时对话中调用外部工具，同时提供自托管与欧盟托管 API 两种部署方式。

Spotify 宣布过去一年从推荐中移除超 5000 万首被判定为 AI 生成垃圾或 spam 的曲目，并调整推荐机制以提升人类创作者作品的曝光。

YouTube Music 正在上线生成式 AI 音乐标注，YouTube 主站也将跟进。平台试图在 AI 音乐涌入前建立一套可见的区分机制。