xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，可通过 API 使用。该模型面向客服、销售等复杂多步骤语音工作流，原生支持 25+ 种语言，在 τ-voice Bench 排行榜上排名第一。后台推理不影响响应延迟。该模型已为 Starlink 提供电话客服与销售：销售转化率 20%，客服自主解决率 70%，单个智能体使用 28 个工具。
推荐理由：官方给出了基准成绩、多语言支持和 Starlink 实际运营数据，可帮助读者评估这款语音模型在真实客服场景的可用性。
xAI 发布 Grok Voice Think Fast 2.0，称其在 Artificial Analysis 语音到语音质量指数达 82.9%，高于上代 75.7% 及对比模型；出声延迟 0.70s，转录准确率较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0×，推理 token 效率为上代 0.4×。
推荐理由：原文给出 Artificial Analysis 对比数据和价格迁移细节，读者可据此评估它在语音智能体场景的替换成本。
Sarvam AI 发布 Sarvam Audio，这是 30 亿参数语言模型 Sarvam 3B 的音频扩展，支持五种转录格式并实现最长 60 分钟音频的说话人分离识别。
Sarvam AI 发布面向印度语言的文本转语音模型 Bulbul V3，提供 35+ 专业配音师录制的声音、低延迟流式输出和语音克隆支持。
Sarvam AI 发布 Saaras V3 语音识别模型，原生支持流式低延迟解码，覆盖 22 种官方印度语言和英语。在 IndicVoices 基准上 WER 约 19%，优于 Saaras V2.5（约 22%），并在低资源语言上保持一致精度；训练使用超 100 万小时多语言音频。
Sarvam AI 发布 Sarvam Edge，推动语音识别、语音合成与多语言翻译模型在设备端本地推理。其端侧语音识别模型参数 74M、FP16 占用约 294MB，支持 10 种印度语言，在 Snapdragon 8 Gen 3 上实时因子约 0.12（RTFx 8.5），首 token 延迟低于 300 毫秒。语音合成同样以单一模型支持 10 种语言和 8 个多语言说话人，无需联网。
Suno 发布 v5.5 模型，同时推出 Voices、Custom models 和 My Taste 三项个性化功能。
推荐理由：原文给出 Voices 的验证与隐私细节和两项新个性化功能，读者可以判断这些能力如何改变自己的创作流程。
Liquid AI 在 GitHub 上公开了基于 LFM 基础模型和 LEAP SDK 的示例、端到端教程与应用仓库，获 2.5k star。同批仓库还包括语音到语音模型 Liquid Audio、用于减少模型重复循环的偏好数据生成训练工具 Antidoom，以及 LFM 全流程定制仓库和 LeapSDK 的 Kotlin 示例应用。
Liquid AI 发布 LFM2-Audio-1.5B，一个支持音频与文本输入输出的端到端基础模型，将 LFM2 家族扩展到音频领域。
Liquid AI 发布 LFM2.5-1.2B 模型家族，称其为迄今最强的边缘 AI 版本，预训练从 10T 扩展到 28T tokens，并大规模引入强化学习后训练。
Baseten 发布 Qwen3-TTS-12Hz 流式文本转语音模型，支持十种主要语言、3 秒参考音频快速克隆音色，并可依据文本内容调整语气、节奏和情感表达。模型支持流式与非流式生成，收到单个字符即可输出首个音频包，提供 0.6B 和 1.7B 两个 Base 版本模型卡，页面附有基于 WebSocket 的完整调用脚本，可进行语音管理和 PCM 流式合成。
CAMB.AI 推出前沿文本转语音模型 MARS6，支持 10 种语言的音色与韵律克隆，需商业授权方可使用。模型至少需要文本、参考音频、参考文本和目标语言四项输入，输出默认采用 ADTS AAC 流式响应，也可配置为 flac 流式或返回 base64 编码的 flac 文件。
xAI 发布 Grok Voice Transcribe 2.0，官方称其为当前最准确的转录模型之一，准确率是 1.0 的两倍且价格不变，在 Artificial Analysis 排行榜 32 个流式模型中准确率第一。
Sarvam AI 发布语音识别模型 Saaras V4，采用音频编码器加 3B 混合状态空间 LLM 解码器的架构，解码器完全从零自研训练。
ModelScope@ModelScope2022AI 评分5555IndexTeam 在 ModelScope 发布 Index-Translate 多语言翻译模型家族，覆盖文本、语音、配音和长文档翻译。
AK@_akhaliqAI 评分4242
ElevenLabs 发布语音模型 Eleven v4 和面向实时语音智能体的 Turbo 版本，v4 能更准确地跟随脚本中的情绪、停顿和音效标签，并在长篇内容中保持音色一致。
ModelScope@ModelScope2022AI 评分4949
Artificial Analysis@ArtificialAnlysAI 评分5656
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话模型结合，让对话 AI 具备动态视觉形象，支持精准唇形同步、自然表情和流畅轮次切换。
推荐理由：官方披露了实时视频与语音耦合的对话能力、异步工具调用和 97 种语言支持，可据此判断企业级数字人交互的落地边界。
Logan Kilpatrick@OfficialLoganKAI 评分6565
Google AI@GoogleAIAI 评分6464
Google DeepMind@GoogleDeepMindAI 评分5252
Google DeepMind 推出 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：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，可据此判断语音生成工作流的变化。
Qwen@Alibaba_QwenAI 评分6161
StepFun@StepFun_aiAI 评分5757阶跃星辰与 ACE Studio 发布 StepAudio 3 Music，是 StepFun 首个音乐生成基础模型，可根据提示词和歌词生成完整歌曲。
蚂蚁 inclusionAI 发布 Realtime-Venus，一个支持主动音视频交互、异步委托和可打断全双工对话的开源系统，包含 Realtime-Venus-Omni 和 Realtime-Venus-Audio 两个 9B 检查点。
推荐理由：模型卡给出了 Realtime-Venus 的架构组成、全双工与异步委托能力及完整用法，读者可以据此评估它在实时音视频交互场景的可用性。
StepFun@StepFun_aiAI 评分5757Logan Kilpatrick@OfficialLoganKAI 评分5757Google AI@GoogleAI精选AI 评分6666Google 发布迄今最先进的 Gemini Audio 模型：Gemini 3.8 Live 与 3.8 Live Extended Thinking。
推荐理由：官方说明了两款新音频模型在速度成本与推理能力上的分工，读者可据此判断语音交互场景如何选型。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，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：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。
Google DeepMind@GoogleDeepMindAI 评分5252
Mustafa Suleyman@mustafasuleymanAI 评分3131MAI-Transcribe-2 在 Open Router 上 5 天达到 100 万次请求！它是全球最快、最准确、最便宜的转录模型！
Google AI Developers@googleaidevsAI 评分3636
FireRedTeam 发布 FireRedTTS3，一款支持多语言与多方言的语音克隆模型，同时具备指令引导的音色设计和语音编辑能力。该模型将语音克隆、音色设计与语音编辑整合在同一系统中，具体参数规模与可用性尚未在原文中披露。
NVIDIA 发布 Magpie Multilingual TTS 开放权重模型（364M 参数），支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，可在自有基础设施部署并微调。
Lilian Weng@lilianwengAI 评分3939过去几个月，我们经历了许多乐趣（和压力😅），在训练运行日志中产出了 12 个版本（以及许多子版本）和 137 页内容。 事实证明，人与人之间的协作对于改善人机协作很重要。😊
People talk, listen, watch, think, and collaborate at the same time, in real time. We've designed an AI that works with people the same way. We share our approach, early results, and a quick look at our model in action. https://thinkingmachines.ai/blog/interaction-models
Thinking Machines Lab 宣布 interaction models 研究预览，让模型原生处理实时音频、视频和文本交互，而非依赖外部 harness。
推荐理由：原文由当事团队给出架构设计、能力演示和基准数字，读者可以据此了解交互能力如何内置于模型本身。
小米发布 MiMo-V2.5-ASR，一款面向多语言、方言及复杂声学场景的鲁棒语音识别模型。该模型主打在跨语言、方言和嘈杂环境下的稳定识别表现，具体参数与评测数据尚未在仓库说明中披露。
