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 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，覆盖 100 多种语言和方言，支持从 30 秒音频样本复刻声音、逐行导演表演节奏以及原生双说话人场景编排。
推荐理由：官方发布说明了两个 TTS 模型的定位、评测成绩和语音设计能力，开发者可以直接对照评测与入口评估是否接入。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音对话模型，主打近实时推理与语音智能体。
推荐理由：官方给出两款语音对话模型的评测成绩、语言与工具调用能力和开放入口，读者可据此评估其用于语音智能体开发的适配度。
Google DeepMind 推出 Gemini 3.5 Transcribe，定位为其最精准的实时语音转写模型，可清理语气词、自动格式化并识别自定义词表。
推荐理由：官方发布带具体 WER、延迟和 API 形态，开发者可据此评估语音转写与语音交互方案的选型。
Hugging Face 发布研究，提出三种测试量化 ASR 模型的基准优化（benchmaxxing）现象。评估 11 个开源模型发现，部分高分模型会复现 VoxPopuli 与 LibriSpeech 的错误参考文本、在音频中数字被静音时仍以约 30-40% 的比例输出该数字，并通过声学线索切换拼写以匹配基准期望；在模型训练截止后新采集的同源音频上，这些行为明显减弱。
推荐理由：研究用三种探针量化了语音识别中的基准优化行为，为选型者提供了超越公开基准 WER 的评估思路。
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，参数量 364M，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，共支持 12 种语言，并提供生产级 NIM 部署容器。
推荐理由：原文给出TTFA延迟数据和架构改进细节，读者可据此评估自部署级联语音方案相对一体化语音模型的取舍。
Hugging Face 与 Cerebras 发布一个模块化、开源的实时语音对话（speech-to-speech）流水线，用 Cerebras 的高速推理解决语言模型响应延迟瓶颈。
推荐理由：原文给出了完整开放的级联语音对话架构和各层组件，开发者可以照此搭建或替换自己的实时语音 AI 流水线。
段已按要求撰写
推荐理由：原文给出 70 多种语言的近实时语音翻译能力、流式生成机制和各产品线的开放入口，读者可以据此判断它对会议和翻译场景的实际影响。
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，主打更强的可控性、表达力和音质，在 Artificial Analysis TTS 排行榜获得 Elo 1,211 分。
推荐理由：官方宣布了音频标签等新控制方式和上线渠道，并给出 Artificial Analysis 的 Elo 分数，可据此评估其表达力与成本定位。
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。人工评测显示其自然度优于 ElevenLabs Flash v2.5，与 ElevenLabs v3 质量相当；模型延迟 70ms，支持 3 秒参考音色的零样本语音适配与跨语言口音迁移。
推荐理由：官方给出了延迟、定价、语言支持与对比评测等关键细节，读者可以据此评估它在企业语音工作流中的可用性。
Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2 批量转写模型和 Voxtral Realtime 实时模型。
推荐理由：官方给出两款语音转写模型的延迟、价格、词错率与开源权重信息，读者可据此评估语音转写方案选型。
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产级和 3B 本地/端侧两个版本，均以 Apache 2.0 许可开源，并可通过 API 调用，价格低至 $0.001 每分钟。
推荐理由：官方发布给出了两个规格、许可、价格和基准结果，读者可以据此评估它在语音理解场景替代现有方案的可行性。