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。
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 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。
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。
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。