Sierra 发布 𝜏-voice 基准：在真实音频条件下评测实时语音智能体

Sierra 联合普林斯顿发布 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工语音、环境噪声、电话压缩等真实音频条件结合，统一评测任务完成与对话动态。

小米 MiMo-V2.5-ASR 发布：跨语言、方言与复杂声学场景的鲁棒语音识别

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。

Sierra 开源多语言语音转写评测基准 μ-Bench

Sierra 开源 μ-Bench，包含五种语言 locale、五家 provider、来自 250 段真实 8 kHz 电话录音的 4,270 条人工标注语料。

Google DeepMind 发布 Gemini 3.1 Flash TTS，新增 audio tags 精细语音控制

Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，提升语音质量、表现力与可控性。

Noam Shazeer@NoamShazeerAI 评分6868

Google 发布 Gemini 3.1 Flash Live，主打生产级可靠性，供开发者和企业构建能大规模完成复杂任务的语音优先智能体。模型在 ComplexFuncBench Audio（多步函数调用）和 Scale AI 的 AudioMultiChallenge（长程推理，支持打断）上领先，原生多语言，已支撑 Search Live 的推出。

Mistral AI 发布首个语音合成模型 Voxtral TTS

Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，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。

Sierra 发布 𝜏³-Bench，将智能体评测扩展到知识库与实时语音

Sierra 发布 𝜏³-Bench，在 𝜏-Bench 基础上新增 𝜏-Knowledge 和 𝜏-Voice 两个评测域，并合并社区对原有领域的修正。

Together AI 在 NVIDIA GTC 2026 发布多项研究与产品创新

Together AI 在 NVIDIA GTC 2026 上宣布多项进展：其推理栈已采用 NVIDIA Dynamo 1.0，并与 NVIDIA 合作推出基于 NemoClaw 和 OpenShell 运行时的智能体部署方案。

Together AI 推出统一实时语音智能体解决方案，同集群部署 STT、LLM 与 TTS

Together AI 推出统一方案，在同一集群内共同部署 STT、LLM 和 TTS 基础设施来构建实时语音智能体，端到端延迟低于 500 毫秒（从用户说话结束到首个音频 token）。

Together AI 发布 SF Streets 与 US Streets 基准，揭示语音模型街名转写平均错误率 39%

Together AI 发布 SF Streets 和 US Streets 两个语音识别基准，测试 15 个模型在街名转写上的表现，平均错误率达 39%，非英语母语者准确率比英语母语者低 18 个百分点（46% vs 64%）。

Mistral 发布 Voxtral Transcribe 2 语音转写模型，实时版开放权重

Mistral 发布 Voxtral Transcribe 2 系列语音转写模型，含 Voxtral Mini Transcribe V2 批量转写和 Voxtral Realtime 实时转写两款。

OpenAI Cookbook 演示用 Realtime 模型做带外用户语音转写

OpenAI 开发者 Cookbook 发布教程，演示在同一 Realtime WebSocket 会话上通过带外的 response.create 请求（conversation 设为 none。

小米 MiMo-Audio：音频语言模型是少样本学习者

小米发布 MiMo-Audio 音频语言模型，提出音频语言模型是少样本学习者。该模型以 MiMo 命名，已在 GitHub 开源，具体参数规模与评测数据尚未在现有信息中披露。

小米 MiMo 发布 MiMo-Audio-Tokenizer 音频分词器

小米 MiMo 团队发布 MiMo-Audio-Tokenizer，一个统一音频分词器，可同时提取语义信息并实现高保真音频重建。该模型已在 GitHub 开源。

OpenAI 发布 gpt-live-transcribe 实时语音转写指南

OpenAI 发布实时语音转写指南，推荐麦克风、通话等直播音频流使用 gpt-live-transcribe 模型，通过 WebSocket 或 WebRTC 建立会话后随语音返回增量转写文本。

OpenAI 发布 Realtime translation 实时翻译使用指南

OpenAI 发布实时翻译指南，介绍用 gpt-realtime-translate 模型将源音频流式输入专用翻译端点 /v1/realtime/translations，在说话者讲话的同时获得翻译音频和字幕增量，适用于同声传译、多语言通话、直播和会议等场景。

OpenAI Realtime API 与音频语音智能体指南

OpenAI 发布 Realtime API 与音频指南，讲解如何构建语音到语音的 voice agent，模型直接处理音频、维护对话状态并可调用工具。

OpenAI DevDay 实时功能专场：语音、流式与低延迟演示

OpenAI 在 DevDay 上展示了实时功能与演示，涵盖语音、流式传输和低延迟。内容聚焦开发者可用的实时能力，具体模型版本与参数未在原文中披露。

Mistral AI 为 Le Chat 推出 Deep Research、语音模式和 Projects 等新功能

Mistral AI 为 Le Chat 推出一批新功能：Deep Research 预览模式可生成带引用的结构化研究报告；语音模式由新语音输入模型 Voxtral 驱动。

Mistral 发布开源语音理解模型 Voxtral（24B 与 3B）

Mistral 发布语音理解模型 Voxtral，提供 24B 和 3B 两个版本，采用 Apache 2.0 许可证开源，并可经其 API 调用，价格起价为每分钟 $0.001。