Qwen3.8-LiveTranslate：说出说话人，传递原意

tencent/Hy-SimulMT-30B-A3B · Hugging Face

腾讯混元发布的实时同传模型页面。Hy-SimulMT 支持中英双向语音到语音同声传译，在说话过程中持续接收音频并输出译文文本与语音，并具备实时声音克隆以保留说话人音色，面向会议、演讲、采访等实时交流场景。页面称在 RealSI 长音频评测中 StreamLAAL 约为 3 秒，GEMBA 分数高于所比较的开源模型及五个商业 API 中的四个；GitHub 提供 SimulInfer 推理服务与 SimulTrain 训练工具，语音输出与声音克隆需配置 TTS 服务，并提供了 GGUF 版本仓库和 Hy Translate App 试用入口。

NVIDIA Nemotron 3.5 Transcribe 与 Granary v2：可提示、可适配的智能多语言转写

NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt

这是 NVIDIA 发布在 Hugging Face 上的博客，介绍开放的 Nemotron 3.5 Transcribe 模型与 Granary v2 数据流程。该模型把多语言转写、说话人区分（diarization）、翻译和音频问答整合在同一个检查点中，可转写 40 种语言，并支持提示词控制；文章同时提供 Granary v2 数据处理流程与微调方案以便适配。适合关注语音模型与开源权重的开发者阅读。

开放 TTS 排行榜：面向多语言文本转语音与声音克隆的可扩展评测

Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice Cloning

这篇博客介绍一个聚焦开源与多语言模型的文本转语音排行榜。文中指出 Hugging Face Hub 上已有超过 8000 个 TTS 模型，但评测仍分散且缺乏标准；以人类偏好投票和 Elo 计分的竞技场式排行榜（如 TTS Arena v2、Artificial Analysis Voice Arena）难以跟上模型发布速度，开源模型在其中也相对较少。

Granite Speech 5.0：更准确、更快速地转写、翻译与说话人归属

Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster

IBM 的企业类博客文章，介绍 Granite Speech 系列的三个更新：新模型 granite-speech-5.0-2b，以及 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus 的修订版。文中称三者分别面向高准确率的转写与翻译、边缘端极快转写、以及需要区分说话人与时间信息的录音等企业语音场景；新材料显示新模型在 ASR 准确性和抗噪抗混响方面更强，并支持语言 ID 提示。面向企业语音相关应用者。

衡量语音识别中的基准测试优化问题

Measuring benchmark optimization in speech recognition

这是一篇来自 HumeAI 等作者的文章，讨论公开语音 AI 基准分数与真实使用表现不符的现象，即模型可能因学习到基准特有的模式而提高分数，而非真正提升任务能力，这种现象常被称为 benchmark optimization 或“benchmaxxing”。文章提到作者此前在 Real World VoiceEQ、Open-ASR Leaderboard 和 Far-field ASR Leaderboard 中引入留存集（held-out sets），并指出仅扩大测量范围并不能解决该问题，且该现象在语音识别中一直难以度量。

「9.6M 参数把通用语音增强做到了能用也敢用」

文章介绍 NVIDIA 在 Hugging Face 开源的 NemotronLabs RE-USE 语音增强模型：9.6M 参数，面向噪声、混响、削波、带宽受限、编码伪影、丢包和低质量麦克风等退化，支持 8kHz 至 48kHz 多采样率输入，语言无关，可用于内容创作、数据清洗、TTS 和 Speech LLM 前处理。结构为卷积编码器/解码器加 30 层双向 Mamba，输入输出均为单声道 wav。文中给出 URGENT 2025 测试结果，称其参数规模小于 Sidon 和 UniPASE，而在 PESQ、STOI、说话人相似度与字符识别准确率上表现较强；使用方式是放入音频后运行 inference.sh，长音频可用分块脚本。适合做语音处理、数据清洗或语音模型前处理的人了解。