Hugging Face 建立 Open TTS Leaderboard，以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度（RTFx）、首段音訊延遲（TTFA）及説話者相似度（SIM），可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選，並設有 Listen 頁籤供用户比較生成音訊及投票；其指標不直接衡量自然度、表現力或聽者偏好。
推薦理由：排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現，並保留聆聽投票，方便比較多語言及聲音複製模型。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，將近乎即時視像生成與語音結合，讓企業智能體以動態虛擬形象進行多模態對話。
Google DeepMind 推出 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS，支援自訂聲線、逐句控制表演及雙人對話生成。
推薦理由：兩款 TTS 模型涵蓋逐句演繹與長篇生成，Flash TTS 另可自訂聲線；聲音複製設有同意驗證，生成音訊加入 SynthID 水印，呈現創作控制與防護安排。
Google DeepMind 發佈 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking，前者面向規模化與成本效率，後者針對高複雜度任務。
推薦理由：文章區分兩款模型在規模化成本效率與高複雜度任務上的定位，並列出語音代理基準成績，方便比較其應用取向。
OpenAI 將 GPT‑Live‑1 引入 API，提供自然的全雙工語音對話及更強的指令遵循能力。它亦支援自訂聲音及電話服務。
推薦理由：原文列出全雙工對話、指令遵循、自訂聲音及電話支援，能讓讀者迅速掌握 GPT‑Live‑1 接入 API 後涵蓋的語音能力。
Voice Arena 與 Hugging Face 為 Open ASR Leaderboard 加入 Monsoon en-IN 和 Monsoon hi-IN 評測集，涵蓋 Indian English 與 Hindi，令 Hindi 成為其多語言分頁首個 Indic language。
推薦理由：這批評測集把説話者背景與可接受的拼寫變體納入 ASR 評估，讓總體 WER 之外的區域差異和 Hindi 正字法誤差更容易被辨識。
Google DeepMind 發佈 Gemini 3.5 Transcribe，這是一款面向智能語音互動的語音轉文字模型。它可透過 Live API 以低於一秒的延遲進行即時串流，亦可經 Interactions API 處理預錄音訊，提供説話者歸屬及逐字時間戳。
推薦理由：材料同時提供串流與非串流 WER，以及相較 Chirp 3 的最終轉錄時間改善幅度，讓準確度與延遲兩項表現有具體數據可供對照。
Mistral AI 與 HUMAIN 宣佈戰略合作，將在沙特阿拉伯及區域內推進 AI 基礎設施、先進模型開發和 AI 解決方案部署。雙方將開發並本地化先進 AI 模型，初期聚焦網絡安全和語音，並計劃開發阿拉伯語表現出色的前沿模型；合作規模達數億歐元。Mistral AI 將探討使用 HUMAIN 的數據中心基礎設施，雙方亦計劃在沙特制定面向受監管行業的共同市場策略。
Hugging Face 的研究提出三項測試衡量語音辨識中的基準優化，並評估 11 個常用開源 ASR 模型，發現多個模型會重現與音訊不符的基準文本。研究在所分析的 VoxPopuli 測試片段中標記出 40% 的潛在參考文本錯誤，涉及約 3% 的參考詞；呈現基準優化行為的模型在相關測試中有 18–30% 的情況會重現錯誤參考文本。
NVIDIA Magpie Multilingual TTS 最新版本擴展至 12 種語言，是一款 364M 參數、開放權重的語音合成模型，可部署於自有基礎設施並按工作負載調校。
OpenAI 用六個月構建 GPT-Live 即時語音系統，支援與 AI 持續進行語音互動。系統採用無需輪次切換的語音模型和低延遲架構，以實現更快、更自然的對話。
Google DeepMind 今日在 Google Flow Music 推出音樂生成模型 Lyria 3.5，並提升旋律、歌詞及人聲生成品質。它可生成更豐富、複雜且自然的旋律結構，並改善歌詞的提示詞遵循度與結構意識，以及人聲的真實感、情感細膩度和發音。使用者也可更容易控制生成內容的節奏和時長。
Cars24 使用 OpenAI 驅動的語音與聊天智能體，每月處理 1M+ 分鐘對話，並挽回 12% 流失潛在客户。公司亦將智能體工作流程推廣至各團隊，藉助 OpenAI 加快構建。
Real World VoiceEQ 是一套衡量語音 AI 真人互動品質的新基準，評估 40+ 款專有及開源語音模型，涵蓋 15+ 個評測維度和 60+ 項指標。基準以超過 1 million 次人工評分建立，評測範圍包括 ASR、TTS、S2S 和 Speech Understanding。結果顯示，各模型能力各有側重，而傳統基準可能高估模型在真實對話中的表現。
OpenAI 介紹 GPT-Live，將其定位為面向自然人機互動的新一代語音模型，並稱其現正為 ChatGPT Voice 提供支援。
Hugging Face 與 Treble Technologies 推出並開放提交 FFASR Leaderboard，這是針對真實遠場聲學條件的開放、社羣協作 ASR 評測基準。
Google DeepMind 發佈 Gemini 3.5 Live Translate，這款音訊模型可自動識別 70+ 種語言，並進行近乎即時的語音轉語音翻譯。
推薦理由：模型以連續生成譯語音訊取代逐輪等待，並透過 API、Google Meet 和 Google Translate 進入開發、企業會議及日常翻譯場景，呈現其部署路徑。
Parloa 利用 OpenAI 模型驅動可擴展、語音驅動的 AI 客户服務智能體，讓企業能設計、模擬並部署可靠的即時互動。
OpenAI 在 API 推出新的即時語音模型，可對語音進行推理、翻譯和轉錄。這些模型旨在支援更自然、智能的語音體驗。
Uber 藉助 OpenAI 為全球即時市場提供 AI 助手及語音功能，協助司機更精明地賺取收入，並讓乘客更快預訂。
Hugging Face 為 Open ASR Leaderboard 加入 Appen Inc. 和 DataoceanAI 提供的私有英語 ASR 評測資料集，涵蓋多種口音及朗讀式、對話式語音。
OpenAI 重建 WebRTC 技術堆疊，為即時語音 AI 提供低延遲及全球規模支援，並支援流暢的對話輪替。
Google DeepMind 發佈 Gemini 3.1 Flash TTS，提升文字轉語音的可控性、表現力與品質，並加入音訊標籤細調語音表現。模型支援 70+ 種語言及原生多説話者對話，在 Artificial Analysis TTS leaderboard 的 Elo 分數為 1,211。
推薦理由：文章聚焦音訊標籤如何細調語氣、節奏與表達，並列出 Gemini 3.1 Flash TTS 面向開發者、企業及 Workspace 用户的推出渠道。
Google DeepMind 推出 Gemini 3.1 Flash Live，提升即時語音對話的精準度並降低延遲。它在 ComplexFuncBench Audio 得分 90.8%，在 Scale AI 的 Audio MultiChallenge 開啟 thinking 時得分 36.1%。
推薦理由：原文以兩項語音基準呈現多步函數調用與複雜指令跟隨表現，並列出開發者、企業及一般用户的使用入口，可對照其能力與部署場景。
Mistral AI 發佈 4B 參數的 Voxtral TTS，支援 9 種語言語音生成。在典型的 10 秒語音樣本和 500 characters 輸入下，模型延遲為 70ms；人評顯示其自然度高於 ElevenLabs Flash v2.5，TTFA 相近。
推薦理由：原文以人評比較 Voxtral TTS 與 ElevenLabs Flash v2.5 的自然度和 TTFA，並列出模型延遲及 API 定價，提供評估語音智能體應用的具體依據。
Google Research 推出 WAXAL 開放語音資料集，首批涵蓋 27 種撒哈拉以南非洲語言，這些語言由超過 100 million 人使用。資料包含約 1,846 小時已轉錄的自然語音 ASR 數據，以及超過 565 小時高保真 TTS 錄音，採用 CC-BY-4.0 授權開放。資料收集由非洲學術及社區組織主導，Google 表示計劃持續擴充語言範圍。
推薦理由：WAXAL 將自然口語 ASR 與高保真 TTS 語料以 CC-BY-4.0 授權開放，呈現支援低資源語言語音技術所需的資料建置基礎。
Mistral AI 發佈 Voxtral Transcribe 2，包含用於批次轉寫的 Voxtral Mini Transcribe V2，以及面向即時應用的 Voxtral Realtime。
推薦理由：批次版與即時版的定位和能力差異清晰，文章亦列出即時轉寫的延遲設定、開放權重授權及兩款模型的 API 價格，便於比較部署選項。
ServiceNow 擴大對 OpenAI 前沿模型的存取，藉此支援 ServiceNow Platform 上的 AI 驅動企業功能。支援範圍包括企業工作流程、摘要、搜尋及語音。
Google 發佈開放醫療多模態模型 MedGemma 1.5 4B，新增 CT、MRI、病理全切片及胸部 X 光時間序列等醫療影像處理能力。其基準結果較 MedGemma 1 4B 提升，例如 CT 疾病分類準確率為 61%（58%），MRI 為 65%（51%），醫療文本 EHRQA 為 90%（68%）。
推薦理由：MedGemma 1.5 4B 在多項醫療影像與文本基準上較前代提升，文中列出的具體分數可用來比較不同任務的改進幅度。
Tolan 以 GPT-5.1 打造語音優先的 AI 伴侶，結合低延遲回應、即時情境重建與記憶驅動的人格，帶來自然對話體驗。
Google DeepMind 更新 Gemini 2.5 Flash Native Audio，提升其處理複雜工作流、遵循指令及進行多輪語音對話的能力。它在 ComplexFuncBench Audio 得分為 71.5%，開發者指令遵循率由 84% 升至 90%；目前已在 Vertex AI 正式提供，並以預覽版開放 Gemini API。
推薦理由：更新同時改善即時語音 Agent 的函數調用、指令遵循與多輪對話，並以 ComplexFuncBench Audio 的 71.5% 得分呈現多步函數調用表現。
Google Research 推出 Massive Sound Embedding Benchmark（MSEB），以統一框架評估八項機器聽覺能力。基準涵蓋語義與聲學任務，並可評估不同類型的模型；初步實驗顯示，現有聲音表徵在八項任務上仍有明顯提升空間。
Google Research 介紹端到端即時語音到語音翻譯模型，以原説話者聲線輸出譯音，標準延遲為 2 秒。模型採用串流架構及時間同步訓練資料，支援英語與西班牙語、德語、法語、意大利語、葡萄牙語之間的雙向翻譯。相關功能已在 Google Meet 伺服器端提供，並作為 Pixel 10 的內置裝置端功能推出；Pixel Voice Translate 採用級聯式流程以擴大語言覆蓋。
推薦理由：文章説明串流架構如何配合時間同步訓練資料，把語音互譯的標準延遲控制在 2 秒，並以原説話者聲線輸出譯音，可瞭解低延遲與個人化如何結合。
Hugging Face Blog 提出語音複製「同意閘門」設計並提供示例 Space 和程式碼，系統需先確認説話者已明確同意才會啟動。示例會為每次同意生成一組新句子，分別表達明確同意及補充語音的音素多樣性，並以語音識別確認同意語句。作者指出，仍可能有人用另一個 TTS 系統生成相符語句，並列出音訊來源驗證、説話者嵌入向量相似度及即時錄音 metadata 作為可探索方向。
推薦理由：把每次生成的同意語句與語音辨識綁定，並以同一段錄音作複製輸入，展示了將知情同意設為工作流程前置條件的實作思路。
Mistral AI 為 Le Chat 推出 Deep Research、語音、多語言推理、Projects 和圖片編輯等新功能。Deep Research（Preview）可搜尋可信來源並生成附參考資料的結構化報告，語音模式採用 Voxtral，多語言推理由 Magistral 驅動，圖片編輯則與 Black Forest Labs 合作。
推薦理由：Le Chat 把研究、語音、多語言推理、Projects 與圖片編輯納入同一產品，呈現其如何覆蓋資訊整理、語音互動和圖像修改等不同任務。
Mistral AI 發佈 Voxtral 語音理解模型，提供 24B 生產級版本及 3B 本地與邊緣部署版本。兩者均以 Apache 2.0 授權發布，並可透過 API 使用；32k token 上下文支援最長 30 分鐘音訊轉錄或 40 分鐘音訊理解，也可對音訊提問及生成摘要。API 價格由每分鐘 $0.001 起。
推薦理由：Voxtral 同時提供 24B 與 3B 版本及 API 使用方式，並列出音訊時長上限和起始價格，方便比較本地部署與雲端接入的適用情境。
Hugging Face 為 Inference Endpoints 推出新的 OpenAI Whisper 部署方案，效能較前一版本最高提升 8 倍。
推薦理由：文章比較三款 Whisper 變體與 Transformers 基線的轉錄速度及 WER，呈現 Large V3 接近 8 倍的 RTFx 提升與各款相若的 WER 表現。
OpenAI 介紹 API 新一代音訊模型，文字轉語音模型可按開發者指示採用特定説話方式。例如，開發者可要求模型「像富有同理心的客服智能體那樣説話」，為語音智能體提供更多自訂空間。
推薦理由：開發者可用指示控制文字轉語音模型的説話方式，例如採用富有同理心的客服智能體語氣，讓語音智能體的表達方式有更多自訂空間。
Hugging Face 推出 FastRTC，這是一個讓開發者以 Python 建構即時音訊與影片 AI 應用的通訊程式庫。它內置語音偵測與輪次控制，提供支援 WebRTC 的 Gradio UI，並可將 Stream 掛載至 FastAPI 應用；亦支援 WebSocket。程式庫另提供語音轉文字、文字轉語音等工具，並可接駁不同 LLM、語音 API 或語音到語音模型。
推薦理由：FastRTC 將語音偵測、輪次控制和即時通訊整合起來，並提供 Gradio 測試介面及 FastAPI 部署方式，展示以 Python 搭建即時語音應用的實作流程。
Hugging Face 示範以自訂 Docker 映像，將 Speech-to-Speech（S2S）流程部署至 Hugging Face Inference Endpoints。
推薦理由：文章把多模型語音流程拆解為自訂 Docker 映像、端點設定和 WebSocket 音訊服務等步驟，提供部署複雜推理管線時可參照的實作路徑。