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 于 9 月 23 日发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词在超过 100 种语言中自定义角色声音、从 30 秒音频样本复刻声音、逐行指导表演节奏与方言变化，并原生支持双说话人场景生成。
推荐理由：官方公告给出了两款 TTS 模型的能力细节、基准成绩和开放渠道，读者可以据此判断语音创作工作流的变化。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，分别面向规模化性价比和高复杂度多步推理任务。
推荐理由：官方给出了两条产品线的能力分工和多项基准数字，可帮助读者判断语音智能体场景下的选型取舍。
OpenAI 在 API 中推出 GPT-Live-1，带来自然的全双工语音对话能力。该模型还提供更强的指令遵循、自定义音色和电话（telephony）支持。
推荐理由：官方公告列出全双工语音、自定义音色和电话支持等能力，读者可据此评估语音应用的接入选项。
Google DeepMind 发布 Gemini 3.5 Transcribe，定位为更精准、支持智能交互的实时语音转写模型。模型可将原始音频直接转为格式化文本，自动清除口头语和自我纠正，支持自定义词表、超过 85 种语言、最多三名说话人区分，并可通过 function calling 调用其他 Gemini 模型。
推荐理由：官方公布了模型在噪声环境、自定义词表和多说话人场景的能力细节与 API 入口，读者可据此评估语音转写工作流能否迁移。
Hugging Face 发布研究，用一致性分歧探针、数字静默检索和拼写切换三类测试，评估 11 个开源 ASR 模型的基准优化（benchmaxxing）行为。
推荐理由：原文用三类探针量化语音识别中的基准优化现象，并给出模型名单、比例数据与可复用的检测脚本，读来能帮助避开仅看 WER 的选型误区。
Hugging Face 与 Cerebras 联合展示了一套实时语音到语音架构：语音输入经 Nvidia 的 Parakeet 做语音识别，由 Cerebras 上运行的 Google DeepMind Gemma 4 31B 完成推理，再用 Alibaba 的 Qwen3TTS 合成语音输出。
推荐理由：原文给出完整的开源语音到语音技术栈和各层组件，开发者可以据此搭建或替换自己的实时语音 AI 流水线。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言自动检测的近实时语音转语音翻译，连续生成保留说话者语调、节奏和音高的译文，全程仅落后说话者几秒。
推荐理由：官方公告给出了模型能力、开放入口和各产品落地细节，读者可以据此判断它对实时语音翻译工作流的改变。
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 排行榜上获得 Elo 1,211 分，支持 70+ 语言和原生多说话人对话。
推荐理由：官方介绍了 audio tags 和 AI Studio 场景控制等新能力，读者可以了解 TTS 语音表达控制的实际用法。
Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，支持英语、法语、德语等 9 种语言，定位低延迟语音生成。模型在人工评测中自然度超过 ElevenLabs Flash v2.5，与 ElevenLabs v3 质量相当；10 秒样本加 500 字符的模型延迟为 70ms，RTF 约 9.7x。
推荐理由：原文给出延迟、价格、人评对比和开源许可等关键细节，方便读者评估它在语音 Agent 场景中的可用性。
Mistral AI 发布 Voxtral Transcribe 2，含 Voxtral Mini Transcribe V2 与 Voxtral Realtime 两款语音转写模型，支持 13 种语言、说话人分离和词级时间戳。
推荐理由：官方给出两款转录模型的延迟、错误率和价格数据，并开放 Realtime 权重，读者可据此对比现有语音方案。
Mistral 发布开源语音理解模型 Voxtral，含 24B 的 Voxtral Small 和 3B 的 Voxtral Mini，均采用 Apache 2.0 许可证并可通过其 API 调用，价格低至每分钟 $0.001。
推荐理由：官方公布了两个尺寸的开源语音理解模型、基准成绩和 API 价格，读者可据此评估其替代现有 ASR 方案的可行性。