AI Engineer NYC 大会：Gemini 4 Argon 正式发布与多项评测汇总
AI Engineer NYC 大会次日约两万人参与，Latent Space 汇总了当周 AI 动态。Google 的 Gemini 4 Argon 面向编程、知识工作、企业流程和网络防御全局开放，API 入门价 $2/$10 每百万 token，Artificial Analysis 称 11 月 30 日后将涨至 $4/$20。
#语音
#语音
今日 0 条Latent SpaceAI 评分6767
Hugging Face BlogAI 评分4949 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阿拉伯语，同时支持英语、法语、西班牙语和葡萄牙语，五种语言共用同一套权重。
The DecoderAI 评分5959 Microsoft AI 发布面向语音智能体的转录与文本转语音模型
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟略超 100 毫秒，微软称其在 Artificial Analysis 上准确率排名第一。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演指导，后者面向高并发、低成本配音场景。
推荐理由：两个 TTS 模型把语音生成从固定预设转向自然语言定制，并给出 Hume AI 基准成绩与开放入口，便于判断创作与规模化配音的能力边界。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，前者主打规模化与成本效率，后者面向高复杂度任务，支持边推理边说话。
推荐理由：官方给出两款语音模型的基准分数、价格定位与开放渠道，可据此判断语音智能体的选型与部署时机。
Hugging Face BlogAI 评分4949 Open ASR Leaderboard 首次加入全球南方语言：Monsoon 印地语与印度英语评测集
Hugging Face 的 Open ASR Leaderboard 新增 Monsoon en-IN 与 Monsoon hi-IN 两个评测集，印地语由此成为该多语言榜单上的首个印度语言。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，一款面向实时转写的语音转文字模型，已在 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 开放公开预览。
推荐理由：官方给出 WER、延迟提升和两套 API 入口，读者可据此判断语音转写能否接入现有工程链路。
Hugging Face BlogAI 评分5656 NVIDIA 发布 Magpie TTS 多语言版，开放权重支持 12 种语言
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，新增 Modern Standard Arabic、Korean 和 Brazilian Portuguese，共支持 12 种语言。
Google DeepMind精选AI 评分6161 Google DeepMind 在 Flow Music 发布音乐生成模型 Lyria 3.5
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制上有提升，包括更复杂自然的主旋律结构、提示词遵循与结构感知更好的歌词、更具情感细节和发音更准的人声，以及更易控制输出tempo和时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与节奏控制上的具体升级点，可据此判断音乐生成的可用边界。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把语音翻译从轮流应答改为连续输出，并给出开发者、企业与普通用户的接入路径。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型，在文本、图像基础上加入原生音频与视频理解，覆盖文档分析、语音识别、长音视频理解、GUI 智能体和通用多模态推理五类任务。
推荐理由：原文给出了架构细节、多模态基准成绩与吞吐数据，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体场景的可用性。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，提升了可控性、表现力和语音质量，在 Artificial Analysis TTS 排行榜上取得 1,211 的 Elo 分数。
推荐理由：官方给出 Elo 1211 的排行榜成绩与音频标签控制方式，可据此判断语音生成的可控性进步。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布音频与语音模型 Gemini 3.1 Flash Live，称其精度更高、延迟更低，已在 Gemini Live API（Google AI Studio 预览）、Gemini Enterprise 客户体验版、Search Live 和 Gemini Live 上线。
推荐理由：官方给出语音模型在多项音频基准上的分数与覆盖入口，可据此判断语音智能体的可用度。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Lyria 3 Pro 音乐生成模型
Google DeepMind 发布 Lyria 3 Pro，可生成最长 3 分钟的音乐，并能识别前奏、主歌、副歌和桥段等结构性元素。
推荐理由：Lyria 3 Pro 把单次生成时长提升到 3 分钟并支持曲式分段提示，读者可了解音乐生成在结构与产品接入上的变化。
Google DeepMind精选AI 评分7373 Google DeepMind 更新 Gemini 2.5 Flash Native Audio
Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio，面向实时语音智能体，在复杂工作流、指令跟随和自然对话三项能力上做了改进。
推荐理由：官方给出了新版原生音频模型的三项能力提升与实测评测分数，可用于判断实时语音智能体的当前水位。