IBM 发布 Granite Speech 5.0 系列语音模型
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
#语音
模型Hugging Face BlogAI 评分5858 模型Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 语音模型家族，包含 Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3。
推荐理由：原文给出语音智能体全链路模型与 SDK 的延迟、价格和多语言指标，可据此比较自建语音栈的成本与部署选择。
产品OpenAI NewsAI 评分5252 Higgsfield 借助 GPT-6 Astra 等模型将 AI 视频时长从 1 分钟提升至 10 分钟以上
Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上，使用 GPT-6 Astra 生成更长视频，并用 GPT-Image-2.5 提升画面精度。该平台还借助 GPT-Live 提供语音电影制作的路径。
论文Apple Machine Learning ResearchAI 评分2222 Apple 研究：用语音基础模型的语种选择性维度直接检测语码转换
Apple 研究团队提出一种轻量方法，直接从句语音频中检测语码转换（CS），无需依赖多语种转录。该方法利用预训练语音编码器帧级语种信息，通过单语录音识别语种选择性隐藏状态维度并聚合其帧级激活进行 CS 预测。在 CS-FLEURS 的 14 个语种对上，Whisper-small 编码器取得平均 F1 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。
论文Apple Machine Learning ResearchAI 评分3838 Apple 首次从头预训练三模态掩码扩散模型 MDM，3B 规模验证统一设计
Apple 提出首个从头预训练的三模态掩码扩散模型（MDM），在文本、图文和音频-文本数据上统一训练，并系统分析多模态缩放规律、模态混合比例与噪声调度。其批次大小分析给出基于 SDE 的重参数化方法，将物理批次与逻辑批次解耦，免去最优批次调参。初步模型在 3B 规模（6.4T tokens）下于文本生成、T2I 和 T2S 任务均取得强劲结果。
模型Hugging Face BlogAI 评分4242 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，主打阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，这是一个 1.6B 参数的语音识别模型，重点支持阿联酋方言，同时覆盖英语、法语、西班牙语和葡萄牙语。
教程AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases，可搭建一套航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。