Zyphra 发布了 ZONOS3-Mini，这是一款稀疏 MoE 文本转语音模型，激活参数 100M、总参数 800M，采用 Apache 2.0 许可，在 112 块 NVIDIA H100 上训练了 2.5 天。它在 Pixel 9 的浏览器中首音频延迟低于 570 毫秒，在 M3 MacBook Air 上低于 150 毫秒，并提供 WebGPU、SGLang、vLLM 和 GGML 运行时。该模型增加了对身份、口音、质量、情绪和表达方式的控制，包括词级调控，Zyphra 报告称其在其新的 ZTTS2-Eval 基准上在开源模型中排名第一。
推荐理由：Zyphra 的紧凑型 MoE TTS 模型将零样本语音克隆与词级表达控制相结合，同时能在手机和笔记本电脑上实时运行。
Mistral 发布了 Voxtral 3，这是一系列语音转文本和文本转语音模型，外加一个基于 LiveKit 构建的语音智能体 SDK，可在单一流水线中流式完成聆听、推理、工具调用和说话。Voxtral Small Transcribe 3 覆盖 50 多种语言，支持说话人分离和上下文偏置；Voxtral Mini TTS 3 支持 35 多种语言和 50 多种方言；该技术栈可通过 Mistral 的欧盟托管 API 或自部署获取。定价为批量转写每分钟 0.0035 美元起，TTS 每 100 万字符 13 美元。
推荐理由：Mistral 的 Voxtral 3 将多语言语音模型与基于 LiveKit 的语音智能体 SDK 相结合，为团队提供了一个可主权部署的实时语音智能体选项。
inclusionAI 发布了 Ming-3.0-audio-flash，这是一个 126B 参数的混合专家音频模型，激活参数为 6.5B；同时发布的还有紧凑型 Ming-3.0-audio-tiny，参数为 9.3B，激活参数为 2.7B。flash 模型覆盖中英文语音识别，包括方言和嘈杂多说话人场景、长音频理解、非语音声音与音乐感知、音频推理，以及可选用合成语音输出的端到端口语对话。该模型以 MIT 许可证提供，附带 vLLM-Omni、SGLang 和 Transformers 推理路径，默认 Flash 配置在 128K 上下文下使用四块 80 GB H800 GPU 进行张量并行。
推荐理由：该发布详细介绍了一个 126B 参数的 MoE 音频模型（激活参数 6.5B），以及一个 9.3B 的 tiny 变体，为开放音频语言模型的规模与部署提供了具体参考。