GPT-Live-1.1 上线 OpenAI API,新增待机选项降低空闲成本
OpenAI 已在 API 中发布 GPT-Live-1.1,并开放在 OpenAI Platform 上测试。该模型可生成更自然且一致的多语言口音,新增降低空闲成本的待机选项,并提高了任务完成可靠性。Live 标签页可直接测试各项 API 功能,并包含可视化语音球体。
OpenAI 已在 API 中发布 GPT-Live-1.1,并开放在 OpenAI Platform 上测试。该模型可生成更自然且一致的多语言口音,新增降低空闲成本的待机选项,并提高了任务完成可靠性。Live 标签页可直接测试各项 API 功能,并包含可视化语音球体。
OpenAI 现已通过 API 提供 GPT-Live-1.1,提升跨语言口音的自然度与一致性,并提高任务完成可靠性。新的待机选项可降低空闲成本。
Rumble-2-Flash 已按 Apache 2.0 许可证开源,这款 0.5B 参数语音识别模型支持 40+ 种语言,并原生兼容 Transformers 和 vLLM。
推荐理由:文中展示了 GOLD 如何对齐不同 tokenizer,让师生模型无需共享词表也能进行逐 token 的 on-policy 知识蒸馏。
ElevenLabs 发布 Scribe v3 Live Medical,用于实时转录医疗对话,重点识别药物名称、医疗程序和症状。其测试显示,加载自定义术语表后,医学术语错误最多减少48%;团队可添加最多10,000个自有术语,并人工检查 AI 智能体生成的每条记录。该模型现已在 ElevenAgents 中提供。
Microsoft 宣布 Transcribe Dragon 和 Realtime 1 两款新模型,Realtime 1 将为 Copilot 的 Voice Mode 提供支持。作者主观体验认为它与 GPT Live 模型非常接近,但表示还需要测试。
Mistral AI 发布 Voxtral 3 语音模型家族,包括语音转文字模型 Voxtral Small Transcribe 3 和文字转语音模型 Voxtral Mini TTS 3,并推出基于 LiveKit 的语音智能体 SDK,支持 50+ 语言转写和 35+ 语言语音合成。
Qwen3.8-LiveTranslate 发布,采用 Interleave 架构,将字均延迟(LAAL)从上一代的 2.8 秒降至 2.3 秒。模型支持 60 种语言输入音频与输出文本、29 种输出音频语言,并新增实时说话人分离、原文译文同帧同出和长上下文消歧。文章还给出了通过 DashScope API 使用实时同传客户端的示例。
推荐理由:文章给出 Qwen3.8-LiveTranslate 的 Interleave 架构、2.3 秒字均延迟和多说话人长音频评测结果,便于理解其实时同传的能力变化。