模型厂商、公司和研究机构自己发布的消息：官网、官方博客和官方账号。
IBM 发布了 Granite-Switch-4.1-8B 和 -30B，通过一个托管端点整合了聊天、通用决策 aLoRA、专用 Guardian aLoRA，以及 Granite-Speech-5.0-Turbo-CTC 转录功能。IBM 表示，组合模型使用的 GPU VRAM 与基础模型大致相同，因为适配器会复用基础模型的 KV 缓存。用户还可以使用 Granite Libraries 适配器组合自定义 Switch 模型；IBM 计划推出用于在 Mellea 中训练适配器的 Adapter SDK。
推荐理由：共享 KV 缓存和模块化适配器提供了一种切实可行的方法，可将通用决策、专用决策与转录功能结合起来，同时让 GPU 内存用量接近基础模型。
阿布扎比技术创新研究院（TII）发布 1.6B 参数的语音识别模型 Falcon-ASR，主打阿拉伯语及阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，比所用榜单快照中最佳公开结果 23.17% 低 2.25 个百分点；内部阿联酋方言评测 WER 22.73%、CER 10.19%，优于 Qwen3-Omni。
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可搭建一套航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
Hugging Face 发布 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开源 TTS 模型，把评测周期从数周投票缩短到数小时。
推荐理由：Hugging Face 用客观指标替代投票式评测，读者可了解开源 TTS 模型在多语言与语音克隆上的横向对比方式。
AWS 发布教程，演示如何用 vLLM-Omni DLC 在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出，并配 Gradio 应用试用。
阿里云 Qwen 团队的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart，可部署到全托管实时推理端点，仅需几秒参考音频和对应文本即可克隆音色，无需重新训练。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音结合，为 Gemini 的对话模型带来近实时的视觉形象，具备精准唇形同步、自然表情和流畅的轮流对话能力。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景的落地形态与开放范围。
AWS 发布 WhisperX Deep Learning Container（DLC），在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的逐词时间戳和说话人分离，可部署到 Amazon SageMaker AI 实时或异步端点，无需自建镜像。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与深度创作控制，后者面向高并发配音和语音智能体。
推荐理由：原文给出两款 TTS 模型的语音克隆、逐行导演能力与基准排名，可据此判断语音生成在配音和播客场景的可用度。
Ringg 基于 GPT-5.6 构建的多语言 AI 智能体可解决最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道，成本相比 GPT-4.1 降低 90%。
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：两款实时语音模型给出并行推理与工具调用能力，并列出多项语音基准成绩，可据此判断语音智能体的可用边界。
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上更强，并支持自定义音色和电话（telephony）接入。
推荐理由：GPT-Live-1 把全双工语音对话能力开放到 API，读者可据此判断语音应用的接入方式与能力边界。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
推荐理由：Open ASR Leaderboard 首次纳入印地语与印度英语评测集，读者可看到基准如何把说话人属性纳入公开评测。
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、格式化文本。
推荐理由：官方给出流式与非流式两套 API 的 WER 数据，并对比上一代 Chirp 3，可据此判断语音转写在实际工作流中的可用性。
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：研究给出三种可复现的探测方法，量化了 ASR 模型复现基准错误转录的程度，对评测设计有直接参考。
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：AMIE 从纯文本扩展到实时视频问诊，读者可了解异步多智能体架构如何兼顾对话延迟与临床推理。
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多个既有语言的质量。
推荐理由：原文给出 364M 开源 TTS 的多语言扩展与各 GPU 上的 TTFA 实测数据，可据此评估自建语音链路的延迟预算。
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。该版本在音乐性、歌词、人声和创作控制四方面改进：可生成更丰富自然的旋律结构，歌词质量与提示词遵循度、结构感知提升，人声更具表现力和情感细节且发音改善，同时支持更便捷地控制输出节奏与时长。
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用超百万条人工评分构建语音 AI 基准，揭示现有指标为何高估真实对话表现。
Hugging Face 与 Cerebras 演示了一套实时语音到语音管线，用 Cerebras 加速 Gemma 4 31B 的推理，把语音交互延迟压到更接近自然对话。
推荐理由：原文给出了一条可替换的实时语音到语音开源管线，读者可据此判断低延迟语音交互的工程组合方式。
Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款支持 70 多种语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把同传从逐句等待改为连续生成，并给出开发者、企业、消费端三条落地路径。
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的“三方照护”模式。在 98 个真实初级保健查询的盲评中，该系统 97 个未出现关键错误，医生对其回答的偏好高于现有证据综合工具；在 OpenFDA 的 RxQA 开放式用药问答上超过其他前沿模型。
推荐理由：Google DeepMind 公开 AI co-clinician 研究计划，给出医生盲评、RxQA 与远程问诊模拟的具体结果，可了解医疗 AI 当前能力边界。
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性、表现力和音质的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出音频标签的用法与多语言覆盖范围，读者可据此判断语音生成的可控程度。
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与低延迟特性。
推荐理由：原文给出 4B 参数、9 种语言与 70ms 延迟等具体指标，并附与 ElevenLabs 的对比评测，便于判断语音智能体的成本与可用性。
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。
推荐理由：原文给出两款语音转写模型的延迟、价格与开源许可，读者可据此判断实时语音场景的选型空间。
Mistral 为 Le Chat 推出一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：Mistral 一次性把深度研究、语音、推理与图像编辑并入 Le Chat，可据此判断其助手产品的能力边界。
Mistral 发布 Voxtral 语音理解模型，提供 24B 和 3B 两种规格，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音触发函数调用能力，文本能力继承 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两种规格、Apache 2.0 许可与 API 定价，可据此判断语音转写与理解的选型成本。
