语音与音频

NVIDIA 发布 Nemotron-3-Diarization 开源说话人日志模型

NVIDIA 在 Hugging Face 发布开源权重说话人日志（diarization）模型 Nemotron-3-Diarization，支持流式与离线推理，最多可区分 8 位说话人。模型采用 Sortformer 架构与 Streaming Sortformer 的 AOSC 缓存和 FIFO 队列机制，单检查点最低输入缓冲延迟 80ms，推荐配置

Otter.ai 新增多语言转写，支持 31 种语言

Otter.ai 宣布扩展多语言能力，新增多语言转写功能，可在同一会议中自动检测说话者语言切换并持续转写，无需手动调整设置。公司新增 27 种语言支持，完成后共支持 31 种语言，其中 13 种已上线，其余 14 种即将推出。新语言基于 Otter 自研语音模型，使用公开数据集训练并由母语志愿者校对。此举旨在帮助国际团队克服会议语言障碍，也是 Otter 在

llama.cpp b12238 新增 OpenAI 兼容语音端点

llama.cpp 发布 b12238 版本，其 server 组件新增了与 OpenAI API 兼容的 /v1/audio/speech 端点，用于文本转语音（TTS）输出。该 PR 同时补充了端到端 pytest 测试，并统一了 WAV 写入与 pcm f32 to s16 的舍入行为，使 /tts 与 /v1/audio/speech 共用 pars

Google 发布 Language Explorer 语言多样性可视化工具

Google Research 与 Google DeepMind 发布 Language Explorer，一个基于开源 LinguaMeta 数据集的交互式网络平台，用于可视化和探索全球数千种语言的多样性。该工具作为 Google 1,000 Languages Initiative 的一部分，并作为柏林通讯博物馆新展览的互动装置展出。Google 同时

OpenAI Agents SDK v0.24.0-alpha.7 发布

OpenAI 发布 Agents SDK v0.24.0-alpha.7，引入通过 agents.classic 导入的 v0 经典运行时，并新增 CustomStorage 持久化会话存储、语音与托管工具（FileSearch、CodeInterpreter、ImageGeneration）支持，以及上下文转换、完成审核和 RunBudget 用量预算等控

Xinference 发布 v4.2.0：新增多模型支持与推理缓存优化

Xinference 发布 v4.2.0，新增 Windows 服务重启、Web UI 内检查并安装更新、Worker 控制器会话准入等能力，并扩展对 DeepSeek-V4.1-Flash-1017、Qwen NVFP4/YaRN、MiniMax-H3、Qwen3 实时音频及多款 OCR/TTS 模型的支持。该版本还引入 Xavier 跨引擎前缀缓存共享、

阿里 FunASR 发布 funasr-onnx 0.4.9 运行时修复

阿里 FunASR 发布独立包 funasr-onnx 0.4.9，修复离线 VAD 对空输入或子帧输入的处理（#3846），以及空标点分块在保留流式缓存状态的前提下直接返回（#3847）。该版本为 CPU 运行时封装修复，未更改模型权重，也未下载或加载模型，不涉及 ASR 质量声明。CI 覆盖 Python 3.11/3.12 回归及多项发布契约检查，可通

Underdog 展示 32MB 语音模型并推出浏览器演示

初创公司 Underdog 发布了一款基于其自研语音模型 Woof 的浏览器小游戏，该模型仅 32MB、3100 万参数，可在多数设备上离线运行并开放下载。此前该公司还推出了 167MB 的语音转文字模型 Bark，并已发布一个可在笔记本上运行的 270 亿参数模型。创始人 Sigil Wen 表示目标是让用户在自有设备上运行能力足够的开源模型，实现私有 A

Ruach Studio 发布 YuE2-3B 公开微调模型 YuE2-RS

Ruach Studio 在 Hugging Face 发布了基于 m-a-p/YuE2-3B 的公开微调模型 YuE2-RS，包含 First Wave 与 Tsunami Wave 两轮训练成果，使用约 3.2 万首曲目、约 1800 小时数据在三张 RTX 3090 上训练，并以 GGUF 和 BF16 safetensors 形式发布合并权重。Tsu

Python音频库跨版本变化：模块结构与文档

华沙理工大学的Mateusz Modrzejewski等人挖掘了56个用于机器学习工作流的Python音频库仓库，覆盖49个包在1395个版本上的导入图，并关联20864条发布说明和变更日志条目，用三个开放权重语言模型标注并由两名人工编码员校验。研究发现：连续版本对中包顶层模块集86.1%保持不变，但模块文件集仅61.4%不变；主版本号递增改变顶层的频率是其

深度神经说话人嵌入的类人跨语言泛化及其声学基础

该研究考察深度神经说话人嵌入能否跨语言泛化，以及这种泛化与人类感知和声学结构的关系。作者使用粤语—英语双语语音，在语内和跨语言条件下从18个先进模型提取相似度，并用线性混合模型和表征相似性分析将其与人类评分及声学特征比较。结果显示，嵌入表现出与人类行为大体平行的跨语言泛化，反映准确的身份区分和对语言切换的敏感性，且这种泛化依赖大体共享但具语言敏感权重的声学线

阿里发布AI向善报告2026：数据中心算力密度两年增近5倍，绿电占比73.6%

阿里巴巴发布《AI向善行动报告2026》，提出AI发展需满足社会可接受、环境可承载、经济可持续三个条件，覆盖健康、教育、科研等六大领域26个案例。报告披露阿里云数据中心算力密度两年内从约0.8kW/㎡提升至4.5kW/㎡，自建数据中心清洁电力占比达73.6%。医疗方面，达摩院多癌早筛模型已扩展至消化系统多癌种并进入真实临床场景，阿里健康推出氢离子医学AI助手

另有 1 家信源报道

ACM MM 2026四位主题演讲嘉宾议题前瞻

第34届国际多媒体顶会ACM Multimedia将于2026年11月10日至14日在巴西里约热内卢举行。文章介绍了四位主题演讲嘉宾：德国奥格斯堡大学的Elisabeth André研究具身AI与多模态交互，香港中文大学（深圳）的李海洲研究选择性听觉注意与目标说话人提取，巴西里约热内卢天主教大学的Clarisse Sieckenius de Souza关注A

FunASR Torch runtime v0.1.5 发布

阿里 FunASR 发布独立分发的 Torch runtime 包 funasr-torch v0.1.5，包含来自 #3838 的 Contextual/Seaco Paraformer 热词批处理与空热词文件处理修复。该版本不改变模型权重，也不对 ASR 准确率作任何声明，验证覆盖 14 项真实包测试及构建、Twine、隔离安装检查。根仓库 FunASR

Vercel AI SDK 发布 @ai-sdk/xai 5.0.39 补丁

Vercel AI SDK 发布 @ai-sdk/xai@5.0.39 补丁版本，为 xAI 提供商实现服务端实时扩展：XaiRealtimeModel 新增 getServerWebSocketConfig()，返回带 model 查询参数的上游语音实时 WebSocket URL 及基于凭据的请求头认证，并拒绝不支持的端点意图。事件映射器在 respon

llama.cpp v0.9.0 发布：FP8 量化与多序列 KV 优化

llama.cpp 发布 v0.9.0，新增 OCP FP8 E4M3 量化支持、提升多序列推理统一 KV 缓存效率的 flash attn ext rows 算子，以及通用批量张量拷贝 API。该版本新增 Clover、Limite、Metis-1.6、Mistral Large 4 四种架构支持，扩展 Chatterbox TTS、Nemotron 3.

llama.cpp b12097 新增 Chatterbox TTS 支持

llama.cpp 发布 b12097 版本，在 model 与 mtmd 模块中新增 Chatterbox TTS 语音合成支持，并加入内置音色功能，同时清理了冗余代码。该版本同步提供 macOS、iOS、Linux、Android、Windows 等多平台多后端（CUDA、Vulkan、ROCm、SYCL、OpenVINO 等）的预编译二进制包。此次更新

一种泄露精确位置的背景声音：利用飞机噪声与ADS-B数据定位视频拍摄地

Simon Willison 的博客链接分享了一段 YouTube 视频，作者 Colsto 展示了一种 OSINT 技术：从视频音轨中提取几乎不可察觉的飞机背景噪声，计算多普勒曲线，再与 ADS-B 航班数据交叉比对，通过飞机速度、距离和航班间隔推断出视频拍摄的精确位置。该演示揭示了日常视频音频中潜藏的地理位置泄露风险。

llama.cpp b12061：mtmd 支持 PocketTTS 预定义音色

llama.cpp 发布 b12061 版本，为 mtmd 模块新增对 Kyutai pocket-tts 预定义音色的支持：转换器将各音色对应的 backbone KV 状态还原为 prompt embeddings 并存入 mmproj，无需 voice cloning 即可选用音色。服务端在 /props 中列出可用音色，未知音色返回 400，未指定音

cyankiwi 发布 Qwen3-Omni-30B-A3B 的 AWQ 4bit 量化版

cyankiwi 在 Hugging Face 发布了 Qwen3-Omni-30B-A3B-Instruct 的 AWQ 4bit 量化版本，基于 llm-compressor 工具并使用 nvidia/Llama-Nemotron-Post-Training-Dataset 进行校准，模型体积约 27.55 GB。该模型继承 Qwen3-Omni 原生端