NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
Mistral AI 发布 Voxtral 3，包含语音转文本、文本转语音模型与基于 LiveKit 的语音 Agent SDK，把听、推理、工具调用与说话整合进单一实时流式管线，每轮对话在 1 秒内完成。
推荐理由：原文给出各模型定价与多项评测口径，读者可据此比较它与现有语音方案的成本和适用场景。
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，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演与多语言覆盖的具体能力与开放入口。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，分别面向规模化低成本场景与高复杂度多步推理任务。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力与成本取舍。
OpenAI 发布新一代语音模型 GPT-Live，用于自然的人机语音交互，目前已成为 ChatGPT Voice 的驱动模型。
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，通过在文本中嵌入自然语言 audio tags 实现对语音风格、语速和表达的细粒度控制。
推荐理由：原文给出了基准分数和开放入口，读者可据此判断其在语音生成上的定位与可用性。
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为迄今质量最高的音频与语音模型，精度与延迟均有改善。在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：给出了两项基准分数和面向开发者、企业、普通用户的开放入口，读者可据此判断其在语音智能体场景的可用性。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数量 4B，基于 Ministral 3B 构建，支持 9 种语言（英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语、阿拉伯语）的自然情感语音生成。
推荐理由：原文给出了架构组成、延迟数据和与 ElevenLabs 的人工评测对比，读者可据此判断其在语音智能体场景的可用性。
Mistral AI 发布 Voxtral Transcribe 2 系列，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime，后者以 Apache 2.0 开源权重在 Hugging Face 发布。
推荐理由：原文给出两款模型的延迟、词错率与价格对比，读者可据此评估其在语音工作流中的替换价值。
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并为 Realtime API 新增 MCP server 支持、图像输入和 SIP 电话呼叫能力。
推荐理由：原文列出了语音模型升级与三项新 API 能力，读者可据此判断实时语音应用的接入范围是否扩大。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个尺寸，均以 Apache 2.0 许可开源，也可通过 API 调用，API 定价 $0.001 per minute 起。
推荐理由：原文对比了开源与闭源语音方案的取舍，并给出价格与基准数据，便于评估其部署性价比。
OpenAI 宣布训练并开源神经网络 Whisper，称其在英文语音识别上接近人类水平的鲁棒性和准确性。