AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言的近实时语音到语音翻译，自动检测语言并保留说话人的语调、节奏和音高，全程仅落后说话人数秒。
推荐理由：原文来自 Google DeepMind 官方博客，说明了 Gemini 3.5 Live Translate 的能力细节和各端开放入口，读者可据此评估实时语音翻译的实际可用范围。
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。
OpenAI 发布 gpt-realtime-2 实时语音模型提示词指南，该模型是用于低延迟语音到语音应用的推理模型。上下文窗口从 32k 扩展到 128k tokens，指南建议从最小提示词起步按测试补指令、用低推理档位、用 preamble 管理等待体验，并在调用工具前逐位确认订单号、邮箱等高精度标识符。
推荐理由：原文给出 gpt-realtime-2 的提示词设计规则，覆盖推理档位、工具确认和实体捕获等可落地做法。
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。
推荐理由：Sierra 把任务完成与真实音频对话合并进同一评测，语音智能体八个月内从 30% 提升到 67%，可与文本基准直接对比。
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。
推荐理由：官方给出了模型能力细节、榜单成绩和开放入口，读者可以判断它对语音应用开发的实际改动。
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。
推荐理由：官方给出与 ElevenLabs 的对比数据、延迟指标和开源入口，读者可以据此评估它对语音智能体工作流的适配度。
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。
推荐理由：官方给出了两个语音转写模型的能力、延迟配置和 API 定价，其中实时版以 Apache 2.0 开放权重，便于评估落地成本。
阿里云 Qwen 团队发布端到端全模态大语言模型 Qwen3-Omni，可理解文本、音频、图像和视频，并能实时生成语音。项目链接：https://github.com/QwenLM/Qwen3-Omni
推荐理由：作者以官方身份说明 Qwen3-Omni 的模态覆盖和实时语音生成能力，可帮助读者判断其适用场景。
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。
推荐理由：OpenAI 官方指南，给出实时转写的会话配置、延迟档位取舍和多语言用法，可直接照做。
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。
推荐理由：官方发布两款开源语音理解模型，给出了尺寸、许可证、价格和多语言基准对比，可评估其在语音转写工作流中的位置。