AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过低延迟流式视频与语音结合实现近实时视觉存在。该功能支持 97 种语言的唇形同步，并能在对话进行中后台异步执行工具调用，目前已通过 Gemini Enterprise 开放。
推荐理由：原文展示了实时视频与语音结合的多模态交互能力，以及后台异步工具调用机制，为构建企业级虚拟助手提供了具体参考。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，支持通过自然语言提示创建自定义角色声音并逐行指导场景对话。
推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了多语言角色定制与场景对话控制的具体能力。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，旨在提升实时语音对话的智能与并行推理能力。
推荐理由：原文给出了两款实时语音模型在推理与工具调用上的具体基准表现，读者可据此评估其在生产级语音智能体中的适用性。
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上更强，并支持自定义音色和电话（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，开发者可据此判断语音应用的接入方式。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该榜单多语言标签页上的首个印度语言。
推荐理由：Open ASR 榜单新增印地语与印度英语评测集，并公开说话人元数据，读者可了解语音评测如何从单一 WER 转向按人群拆解。
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化文本。据 Artificial Analysis 测量，流式场景平均 WER 为 4.0%，非流式为 2.6%，最终转写时间较前代 Chirp 3 改善 70%；模型支持 85 种以上语言自动检测、自定义词汇和最多三位说话人区分。
推荐理由：官方给出 WER、延迟与多语言等量化指标，并列出两套 API 与产品落地入口，便于判断语音转写能力边界。
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：通过三项探针量化 ASR 模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 的实时视频问诊配置，能感知非语言临床线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：Google 用 300 场随机对照问诊给出实时视频临床 AI 的专家级评测结果，可看多智能体异步架构如何兼顾低延迟对话与深度推理。
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升多语言质量。
推荐理由：原文给出 364M 开源权重模型的多语言扩展与自部署延迟数据，可据此评估自建语音链路的成本与可行性。
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循度、结构感知更好，人声表达与情感更细腻且发音改善，同时可更便捷地控制输出节奏与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与创作控制上的具体改进方向，可据此判断音乐生成能力的变化。
Hume 发布 Real World VoiceEQ，一个评估语音交互人类质量的基准，覆盖 40 多个专有与开源语音模型、15 个以上评估维度和 60 多项指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用百万级人工评分构建语音评测基准，揭示现有基准高估真实表现的盲区。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理，以降低语音对话的响应延迟。
推荐理由：原文给出可替换的语音到语音流水线与推理加速组合，读者可据此评估实时语音助手的搭建路径。
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话者的语调、节奏和音高。
推荐理由：原文给出 70+ 语言、连续生成语音和几秒延迟等关键指标，读者可据此判断实时语音翻译的可用边界。
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 个案例零关键错误，医生更偏好其回答而非主流证据综合工具；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体更优。
推荐理由：DeepMind 公开 AI co-clinician 研究计划，给出医生盲评与实时多模态模拟的对比数据，可了解医疗智能体当前能力边界。
Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表现力和质量上均有提升，在 Artificial Analysis TTS 榜单上取得 1211 Elo 分数。
推荐理由：官方给出 Elo 1211 与音频标签控制方式，可据此判断语音生成在可控性上的进展。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，具备情感表达与零样本跨语言音色适配能力。
推荐理由：Mistral 首款 TTS 模型给出参数量、延迟与定价，并公开与 ElevenLabs 的对比评测，便于判断企业语音栈的选型空间。
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文本模型。
推荐理由：官方给出两款语音转写模型的延迟、错误率与价格对比，可据此判断实时语音应用的落地成本。
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：官方一次性放出深度研究、语音、推理与图像编辑多项能力，可据此判断 Le Chat 的助手定位走向。
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产级和 3B 本地与端侧两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测以及从语音直接触发函数调用等能力。
推荐理由：Mistral 开源语音理解模型，给出两种尺寸、32k 上下文与 API 定价，可据此判断开源语音方案的落地成本。