ElevenLabs 推出新一代语音模型 Eleven v4 及其面向实时语音智能体的 v4 Turbo 版本，提升了情感标签遵循精度并增强了长文本声音一致性。新模型单次请求支持最多 10,000 字符且覆盖超 90 种语言，Turbo 版音频生成延迟缩短至约 150 毫秒。两款模型已在 API、ElevenAgents 与 ElevenCreative 上线，并提供限时折扣活动。
推荐理由：新架构提升了上下文理解与长音频音色一致性，读者可借此评估其在长篇配音与低延迟语音智能体中的落地成本与表现。
Google DeepMind 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，分别面向深度创意导演与大规模高性价比配音场景。
推荐理由：原文给出了两款语音模型的具体定位与提示词控制机制，读者可以据此评估长音频生成和双人剧本对话的落地精度与成本。
Google DeepMind 正式推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 实时对话模型，主打近实时推理与语音智能体任务执行能力。
推荐理由：官方展示了实时多步推理与边思考边交谈的交互机制，为语音智能体的落地架构提供了参考范式。
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话。该模型具备更强的指令遵循能力，并支持自定义声音以及电话协议集成。
推荐理由：该模型在 API 中支持全双工语音交互与电话集成，为开发者构建实时语音应用提供了新的官方原生接口。
Google DeepMind 推出语音转文本模型 Gemini 3.5 Transcribe，支持将原始音频直接转换为格式规范的文本，并能自动处理口语自纠错和过滤语气词。
推荐理由：该模型强化了口语自纠错与多语种实体识别能力，为构建低延迟实时语音交互应用提供了更精确的转录基底。
NVIDIA 开源 364M 参数的多语言语音合成模型 Magpie TTS，支持英语、中文、韩语、现代标准阿拉伯语等 12 种语言并开放权重。模型采用帧堆叠与局部 Transformer 架构降低解码步数，在 B200 GPU 单流运行下首音频延迟为 32ms，64 并发下吞吐达 320 倍实时。
推荐理由：模型通过开源权重与帧堆叠架构将单流首音频延迟压缩至最低 32 毫秒，为自建低延迟多语言语音智能体提供了完整可控的落地参考栈。
Google DeepMind 宣布在 Google Flow Music 中上线最新音乐生成模型 Lyria 3.5，全面升级音乐性、歌词、人声表现和创作控制。新模型支持更复杂的旋律结构与发音更准、情感更自然的人声，同时增强了歌词生成的提示词遵循度，并允许用户直接调整输出的节奏与时长。
推荐理由：模型在旋律、歌词、人声以及节奏和时长控制上的升级，为创作者在音乐生成工具中微调成品提供了更细致的调节空间。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时流式语音互译，并在生成中保留原发言者的语调、节奏和音高。
推荐理由：材料展示了流式语音互译的技术落地路径，读者可以参考其在跨语种会议与移动端传译中的产品集成方式。
Google DeepMind 正式推出文本转语音模型 Gemini 3.1 Flash TTS，支持通过自然语言音频标签精确控制语音风格、节奏和表达，并原生支持多说话人对话与 70 多种语言。
推荐理由：该模型通过自然语言行内标签实现对语调和语速的精细调度，为构建多角色对话系统提供了更具成本效益的语音方案。
Mistral AI 正式发布多语言文本转语音模型 Voxtral TTS，采用基于 Ministral 3B 的流匹配架构，总参数量为 4B，支持英语、法语、阿拉伯语等 9 种语言的情感化语音生成。
推荐理由：原文披露了基于自研编解码器与流匹配的架构细节及延迟数据，读者可据此评估端到端语音智能体的落地成本。
Mistral AI 正式发布 Voxtral Transcribe 2 语音转写模型家族，包含用于批量转写的 Voxtral Mini Transcribe V2 和开源权重的实时流式模型 Voxtral Realtime。
推荐理由：提供了流式架构和开源权重，开发者能以更低延迟和端侧部署成本搭建实时语音智能体。
Mistral AI 发布开源语音理解模型系列 Voxtral，提供 24B 与 3B 两种尺寸，采用 Apache 2.0 协议在 Hugging Face 开源并同步上线 API。
推荐理由：原文给出了 24B 与 3B 两种尺寸的开源权重与低成本 API，读者可以据此评估本地端侧部署与长语音智能体工作流的可行性。