你要的AI大模型，都在这里

Google DeepMind Lyria 3.5于2026年9月4日发布,谷歌领先音乐生成模型,支持44.1kHz立体声最长3分钟,文本加最多10张图片生成,自带SynthID隐形水印。

以拟人化音质为定位，MiniMax-Speech-2.8-HD。MiniMax Speech 2.8 HD是MiniMax的高级语音合成模型，以高保真度和自然情感表达著称。

腾讯混元Hy-SimulMT是中英双向实时同声传译大模型，支持边听边译同步输出译文语音并实时克隆音色，30B-A3B MoE架构开源，响应延迟约3秒低于人工同传4-5秒。

讯飞星火SparkAudio 1.0是科大讯飞基于全国产算力训练的语音基座大模型，围绕语音识别、语音同传和实时交互实现能力升级，整体效果提升20%、响应时间降低15%、使用成本降低60%。

xAI Grok Voice 3.0是2026年10月14日发布的语音到语音旗舰模型，AA Speech-to-Speech指数86.9分位居前列，已支撑Tesla与SpaceX百万级日通话。

Mistral AI Voxtral 3是第三代语音模型家族，包含语音转录、实时转录和语音合成四款模型，配套语音Agent SDK，支持多语言语音处理。

Google DeepMind Gemini 3.8 Flash TTS为旗舰创意TTS模型，支持130语言与30种预置声音，文本输入$0.50音频输出$9每百万词元，2027年1月翻倍。

Google DeepMind Gemini 3.8 Flash-Lite TTS为高吞吐量低成本TTS模型，支持101语言，文本输入$0.50音频输出$6每百万词元，定位高吞吐量生产场景。

Google DeepMind Gemini 3.8 Live Extended Thinking为实时对话模型，边推理边说话，97语言自动切换，质量指数82.6位居前列。

Google DeepMind Gemini 3.5 Transcribe是2026年8月26日发布的专用语音转文本模型，支持超过85种语言的语句级语种检测、说话人分离与词级时间戳

MiniMax-Music3于2026年8月14日发布，分层自回归Global 8B加Local 0.6B，生成最长5分钟完整歌曲，32kHz立体声WAV，覆盖前奏到尾奏完整结构。

Hy ASR 3.0 Preview是腾讯混元于2026年8月4日正式发布的新一代语音识别模型，标志着语音识别从单纯的声学特征映射进化到融合语义理解的全新阶段。该模型基于腾讯混元最新一代Hy3 MoE大语言模型构建，融合高精度语音识别与深度语义理解能力，在通用识别、上下文感知、多场景鲁棒性以及方言覆盖等核心维度实现全面提升。

Cohere于2026年7月7日开源阿拉伯语ASR模型Cohere Transcribe Arabic，2B参数conformer架构WER 25.87登顶榜首，覆盖所有主要方言和阿拉伯口音英语。

阿里云2026年7月15日发布的实时语音交互对话模型Flash版本，主打高速度和高性价比，毫秒级时延，VoiceBench口语化测试表现优异，适合高频调用场景。

阿里云2026年7月15日发布的实时语音交互对话模型Plus版本，毫秒级时延响应，支持工具调用、多轮对话、情感表达和实时交互，VoiceBench得分92.5，S2S语音指令遵循SOTA。

OpenAI GPT-Live-1 mini是GPT-Live系列的轻量版本，面向免费用户开放，提供全双工实时语音交互和基础翻译能力，是入门级实时语音AI方案。

OpenAI GPT-Live-1是2026年7月8日发布的全双工实时语音模型，支持同步听说、实时翻译和自然打断，将人机语音交互延迟压缩至300毫秒以内，面向付费用户开放。

GPT-Audio Mini是OpenAI GPT-Audio系列的轻量版本，支持128K上下文窗口。与库中已有的GPT-Audio 1.5（$2.50/$10）互补，Mini版定价约为标准版的24%，适合高并发的日常音频处理场景。

通义千问Fun-ASR是阿里云离线语音识别模型，适合录音文件转写、会议记录等非实时场景，与Fun-ASR-Realtime互补覆盖全场景语音识别需求。

Doubao-Seed-Audio 1.0是字节跳动于2026年6月23日在火山引擎FORCE原动力大会上正式发布的豆包音频生成模型。该模型首次支持参考生成——把文本、音频任一模态作为输入，可以端到端生成目标音频，并在长时生成场景中保持多角色音色的一致性，大幅减少后期修音工作。

Qwen-Audio支持语音识别和音频理解，可实现语音转文字和音频内容分析，为智能语音助手和多模态交互提供听觉能力。

星火语音大模型提供语音识别与合成一体能力，支持多语种和方言识别，在会议转写和智能语音交互中表现成熟。

Voxtral是Mistral面向语音和音频处理的专用模型，支持语音识别和音频理解，为多模态AI系统增加听觉维度能力。

以拟人化音质为定位，Lyria 3 Pro Preview。Lyria 3 Pro是Google DeepMind的AI音乐生成模型，支持文本描述生成高质量音乐片段。