Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源 TTS 模型的多语言表现、声音克隆和流式性能。榜单使用 WER/CER、RTFx、TTFA 和 SIM 等指标，并支持在 H200 GPU 与 CPU 上比较部分模型。平台同时提供 Listen 标签页供用户比较音频和投票，但这些指标不取代自然度、表现力和听众偏好等人工评测。
推荐理由：文章把 TTS 评测拆成可比较的可懂度、速度和说话人相似度指标，并展示多语言、声音克隆与流式性能的查看方式。
AWS 介绍了如何通过 Amazon SageMaker JumpStart，将公开可用的 Qwen3-TTS-12Hz-1.7B-Base 部署到 Amazon SageMaker AI 实时推理端点，实现基于短音频和文本转录的声音克隆。教程涵盖 24 GB NVIDIA L4 GPU 配置、跨语言声音克隆、请求调用以及 Amazon CloudWatch 监控。
推荐理由：文章给出从 JumpStart 部署 Qwen3-TTS 并调用实时端点完成声音克隆的完整步骤，涵盖 GPU 内存配置和 CloudWatch 监控。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，为企业对话式 AI 加入近实时视频生成、语音和动态视觉形象。
推荐理由：文章集中说明 Live Avatar 的多模态交互、异步工具调用和 97 种语言支持，并交代 Gemini Enterprise 的使用入口与定制头像限制。
Google 发布 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两款文本转语音模型，Simon Willison 制作了可通过 API 试用的 Gemini 3.8 TTS Playground。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，分别面向创意语音设计与高吞吐、成本高效的语音生成。
推荐理由：原文同时交代了两款模型的定位、语音定制与逐句导演能力，以及开发者和普通用户的使用入口，便于评估其应用范围。
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本对话和高复杂度任务。
推荐理由：文章同时给出两款模型的定位、语音智能体基准表现与开发者入口，便于比较能力重点和落地路径。
GPT‑Live‑1 被引入 API，支持自然的全双工语音对话，并强化指令遵循。该模型还支持自定义声音和电话支持。
推荐理由：材料概括了 GPT‑Live‑1 在 API 中的语音能力变化，并列出自定义声音与电话支持等集成信息。
Hugging Face 与 Voice Arena 发布 Monsoon en-IN 和 Monsoon hi-IN 评测集，将 Hindi 和 Indian English 纳入 Open ASR Leaderboard。四个公开与私有切分共覆盖 4,888 名说话人，并记录 12 项说话人属性；Hindi 使用接受多种书写变体的 OIWER 评估，相关实现 voi-oiwer 也已开源。
推荐理由：文章展示了如何将公开和私有切分、说话人元数据与 Hindi 的 OIWER 结合，用于定位不同地区和书写变体下的 ASR 误差。
Google 发布 Gemini 3.5 Transcribe 语音转写模型，支持实时双向流式转写和预录音处理，面向语音智能体、实时字幕与通话分析等场景。模型可自动处理自我修正、填充词和格式化文本，支持超过 85 种语言，并提供最多三位说话人的识别与时间戳。
推荐理由：Gemini 3.5 Transcribe同时覆盖实时流式与预录音处理，并给出WER、延迟和语言支持等指标，便于开发者评估接入场景。
Mistral 与 HUMAIN 宣布战略合作，覆盖沙特及中东地区的 AI 基础设施、先进模型开发和 AI 解决方案部署。双方将探索利用 HUMAIN 的数据中心基础设施，并重点推进网络安全、语音及阿拉伯语 frontier models。此次合作金额为 hundreds of millions of Euros，双方还计划面向沙特受监管行业制定联合市场策略。
Hugging Face 的研究对 11 个开源 ASR 模型进行三类测试，发现部分高分模型会利用 VoxPopuli 和 LibriSpeech 的基准线索优化转录结果。
推荐理由：文章通过参考答案分歧、实体遮蔽和拼写切换三类测试，展示公开语音基准分数如何偏离真实转录能力。
Google Research 发布 AMIE（Video），该系统基于 Gemini 和 Project Astra，可实时进行音视频临床会诊，感知非语言线索、引导虚拟体格检查并开展临床推理。
推荐理由：文章将 AMIE（Video）的异步多智能体架构、随机视频研究结果与模拟场景限制放在一起，便于理解其能力边界。
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，模型规模为 364M parameters，支持 12 种语言，并新增 Modern Standard Arabic、Korean 和 Brazilian Portuguese。
推荐理由：文章将开放权重、12 种语言支持、NIM 部署和延迟数据放在同一框架中，便于评估多语言语音智能体的落地路径。
Real World VoiceEQ 发布，用于评估语音系统识别、生成和响应语音中非文本声学信息的能力。该基准覆盖 40 多个语音模型、15+ 个评测维度和 60 多项指标，并基于超过 1 million 次人类评价构建。研究发现，不同模型在技术准确性、情绪理解、表达能力和稳健性等方面各有侧重，自动评测尚不能替代涉及声学情境和社会理解的人类听评。
推荐理由：该基准以超过 1 million 次人类评价衡量语音交互质量，展示了传统指标难以覆盖的情绪、身份和真实环境表现差异。
Hugging Face 与 Cerebras 展示了将 Gemma 4 31B 用于实时语音到语音系统的方案。该开放管线依次使用 Nvidia 的 Parakeet 进行语音识别、在 Cerebras 上运行 Gemma 4 VLM 推理，并通过 Qwen3TTS 生成语音。相关架构已用于 Reachy Mini 机器人，配套代码仓库为 huggingface/speech-to-speech。
推荐理由：文章拆解了实时语音到语音管线的模块构成与协作方式，开发者可据此了解低延迟架构的实现路径和代码入口。
Google DeepMind 发布 Gemini 3.5 Live Translate，支持在70+种语言之间进行接近实时的语音到语音翻译，并保留说话者的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate展示了连续语音翻译在延迟、语调保留和多语言覆盖之间的具体取舍，并给出开发者与用户入口。
Google DeepMind 发布 Gemini 3.1 Flash TTS，提升语音质量、可控性和表现力。
推荐理由：Gemini 3.1 Flash TTS 将音频标签、多人对话和多语言支持结合起来，展示了开发者控制语音风格与表达的具体方式。
Mistral AI 发布 4B 参数的 Voxtral TTS，支持英语、法语、德语等 9 种语言，提供低延迟、情感化语音生成和声音适配。模型延迟可达 70ms，API 价格为 $0.016 per 1k characters，并可在 Mistral Studio 和 Le Chat 中试用。
推荐理由：文章同时呈现了 Voxtral TTS 的多语言语音能力、延迟与价格，并提供了与 ElevenLabs 模型的对比信息。
Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime。
推荐理由：文章同时交代批量与实时语音转写模型的延迟、语言支持、价格和部署方式，便于评估不同语音应用的接入选择。
Mistral AI 为 Le Chat 发布 Deep Research（Preview）、语音模式、Projects、多语言推理和高级图像编辑等功能。Deep Research agent 可规划问题、搜索资料并生成带引用的结构化报告，语音模式由 Voxtral 驱动，Think mode 由 Magistral 驱动。
推荐理由：Le Chat此次更新覆盖研究、语音、项目管理和图像编辑，展示了多种交互能力如何集中到同一助手中。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 生产版本和 3B 本地与端侧版本。两者均以 Apache 2.0 许可发布，支持 32k token 上下文、长音频转写与理解、语音问答、摘要、多语言处理和函数调用。Voxtral 也通过 API 提供服务，定价从 $0.001 per minute 起。
推荐理由：Voxtral同时提供可本地部署的开源模型与API，并把长音频理解、问答摘要和语音函数调用纳入同一系统，便于比较开放部署与商业接口的取舍。