TamilEOT：泰米尔语电话语音语义轮次结束检测数据集与模型
研究者发布TamilEOT，据称是首个面向南印度语言的语义轮次结束检测开放数据集与检测器，含116通真实泰米尔语电话对话中的18,485个标注轮次边界。在30通未见通话的4,168个片段上，准确率从零样本70.30%提升至83.71%（8.7 MB）和86.13%（21 MB），ROC-AUC从0.751升至0.921，两个模型在笔记本CPU单线程下运行均低于150毫秒。
#语音
arXiv · cs.AI模型评分4444 arXiv · cs.AI模型评分3333 变分分解自编码（VDA）提升潜表征解耦质量
研究者提出变分分解自编码（VDA，Variational Decomposition Autoencoding）框架，并实例化为仅含编码器的变分分解自编码器（DecVAE，Variational Decomposition Autoencoder），在分布层面做潜自编码以学习对齐时频特征的多个潜子空间。
arXiv · cs.AI模型评分4646 Speech-DRAME：面向语音角色扮演的人类对齐评测基准框架
Speech-DRAME 框架包含双语人工标注基准 Speech-DRAME-EvalBench 和微调的音频语言评测器 DRAME-Eval，用于评估语音角色扮演中的韵律、情感表达与角色贴合度。
arXiv · cs.AI模型评分3131 受生物启发的符号二进编码：PG 用于中文关键词识别
研究者提出预测式符号二进编码（PG，Predictive Signed-Dyadic Coding），为每个输入通道维护本地预测，仅在残差超过学习阈值时发送带符号和 2 的幂次幅值的事件，接收端用定点移位与加法重建。
arXiv · cs.AI模型评分4444 TAPE：从参考音频学习通用音效表示
TAPE（Transformations of Audio Parameter Embeddings）仅凭处理后的参考音频即可估计其信号处理链，并把参数迁移到另一段未处理录音上。
arXiv · cs.AI模型评分3232 Nedimo：一个基于证据的多语言 人工智能（AI，Artificial Intelligence） 助眠故事生成与旁白流水线
Nedimo 是一个多语言助眠故事生成与旁白流水线，将确定性规划与大语言模型生成分离，并用四阶段注意力递减塑造脚本。它通过结构校验、有界重试和发布门禁控制响度与真峰值，产品数据只把停止、重播、提前放弃等视为模糊行为代理而非临床结果。研究未声称临床疗效，仅将其定位为放松与注意力支持工具。
arXiv · cs.AI模型评分4444 音频大语言模型多模态语音情感识别的不一致感知评估
研究提出一种无需阈值的连续“不一致分数”，用双分量高斯混合把文本与音频在效价-唤醒-支配空间中的距离量化，并用人类判断验证。在 eNTERFACE'05、MELD 和 CMU-MOSEI 三个语料上评估三款音频能力模型后发现，只要音频存在，不一致就会提高出错几率，而同样特征训练的监督分类器表现相反。代码、数据表和提示词已公开。
NVIDIA Blog精选模型评分6969 NVIDIA RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 语音模型与智能体资源管理
NVIDIA 为 RTX Spark Windows 笔记本带来一批更新，包括开放权重的语音模型 Nemotron 3.5 Transcribe、NVIDIA App 中的 图形处理器（GPU，Graphics Processing Unit） 资源分配控制，以及 LFM3 系列模型的本地支持。
推荐理由：原文把本地语音模型、图形处理器（GPU，Graphics Processing Unit） 资源分配和游戏渲染放进同一台笔记本，读者可据此判断本地 人工智能（AI，Artificial Intelligence） 工作流的边界。
Google DeepMind精选模型评分7272 Google DeepMind 发布世界模型 Genie 4，原生生成音频并支持实时交互
Google DeepMind 发布世界模型 Genie 4，可实时生成画面与原生音频，并支持用自然语言在模拟过程中修改天气、镜头和人物。该模型引入实时交互对话，角色能对用户输入即时回应；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并检查每帧进度。
推荐理由：官方同时给出四项能力变化和已知局限，读者可据此判断实时世界模型目前能做什么、还差在哪。