在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用 Part 1
AWS 教程演示在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 AWS vLLM-Omni DLC 实现文本输入和音频输出的实时流式语音应用。
#语音
#语音
今日 0 条AWS Machine Learning BlogAI 评分5555
Simon WillisonAI 评分7373 Simon Willison 制作 Gemini 3.8 TTS Playground 试用工具
Simon Willison 制作了 Gemini 3.8 TTS Playground，用于通过交互式界面测试 Google 的 Gemini 3.8 text-to-speech API。
Hugging Face Blog精选AI 评分7979 Gradio gr.Workflow 支持用画布构建、运行和部署 AI 工作流
Gradio 的 gr.Workflow 将 AI 应用管线描述为类型化节点图，并提供拖拽画布，让每个节点可运行、中间结果可见。同一图也会成为 REST API，并可一条命令部署到 Hugging Face Spaces。
推荐理由：原文展示了 gr.Workflow 如何把多步 AI 管线做成可运行画布和 REST API，便于复用到 Gradio 应用。
Hugging Face Blog精选AI 评分6969 Hugging Face 研究如何衡量语音识别中的基准优化
Hugging Face 的最新研究提出三项测试，用于量化语音识别中的 benchmark optimization 或 benchmaxxing 现象。研究评估了 11 个常用开源 ASR 模型，发现部分高分系统会复现 VoxPopuli English 和 LibriSpeech 的基准转写，即使音频与参考文本矛盾、相关词被静音，或同一音频支持不同书写形式。
推荐理由：文章用三类探针展示公开语音基准的过拟合迹象，可帮助评估者区分榜单分数与真实转写能力。
Hugging Face Blog精选AI 评分6666 NVIDIA Magpie Multilingual TTS 更新开放权重模型，支持 12 种语言和自托管部署
NVIDIA Magpie Multilingual TTS 发布最新开放权重版本，提供 364M 参数模型、NVIDIA NIM 生产部署和 12 种语言支持。
推荐理由：原文把开放权重、NIM 部署和延迟数据放在同一语音流水线中，便于评估自托管方案的取舍。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3.5 Live Translate，支持 70+ 语言实时语音翻译
Google DeepMind 发布 Gemini 3.5 Live Translate，这是用于实时语音到语音翻译的最新音频模型，可自动检测 70+ 语言并生成自然流畅的译语音频。
推荐理由：原文同时给出语言覆盖、延迟形态和接入渠道，可用于比较实时语音翻译的产品落地路径。
Mistral AI精选AI 评分7474 Mistral AI 发布 Voxtral TTS 4B 文本转语音模型，支持 9 种语言
Mistral AI 发布 Voxtral TTS，这是其首个文本转语音模型，参数量 4B，支持 9 种语言的多语言语音生成。该模型支持情绪表达、低延迟、语音适配和 zero-shot 跨语言语音适配，典型输入 10 秒语音样本和 500 字符时模型延迟为 70ms，RTF ≈9.7x。
推荐理由：原文同时给出语言覆盖、延迟、价格、架构细节与适用场景，便于评估企业语音工作流的接入成本。
Mistral AI精选AI 评分7676 Mistral AI 发布 Voxtral Transcribe 2，包含 Mini Transcribe V2 和 Realtime
Mistral AI 发布 Voxtral Transcribe 2，包括用于批量转写的 Voxtral Mini Transcribe V2 和用于实时应用的 Voxtral Realtime，并在 Mistral Studio 推出音频 playground。
推荐理由：原文同时给出延迟、价格、开源权重和多项基准对比，便于评估语音转写在实时与离线场景的部署取舍。