Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词在 100 多种语言和方言中定制角色声音，可从 30 秒音频样本复刻声音，并提供 2000 多个现成声音。
推荐理由：官方介绍了两款 TTS 模型的定制能力、基准成绩和开放渠道，开发者可以据此评估语音生成方案的选型。
Google DeepMind 于 2026 年 9 月 15 日发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音对话模型。
推荐理由：官方公布了两个语音模型的能力定位、多项基准成绩和可用入口，读者可以据此评估是否接入自己的语音应用。
NVIDIA 发布 Magpie TTS Multilingual，364M 参数开源权重模型，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，共支持 12 种语言。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，提供 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者的语调、节奏和音高，全程仅落后说话者数秒。
推荐理由：官方发布正文给出了 70+ 语言、延迟表现和多端开放入口，读者可据此评估它在通话、会议和翻译场景的可用性。
OpenAI 在 API 中发布新的 realtime 语音模型，支持推理、翻译和语音转写。官方称这些模型可支撑更自然、更智能的语音体验。
NVIDIA 发布 Nemotron 3 Nano Omni（30B-A3B）全模态理解模型，支持文档分析、ASR、长音视频理解和 agentic computer use，并在 Hugging Face 开放 BF16、FP8 和 NVFP4 权重。
推荐理由：原文给出完整基准对比和架构细节，读者可以据此评估它是否值得替换现有的多模态工作流。
Google DeepMind 发布实时语音模型 Gemini 3.1 Flash Live，称其为迄今最高质量的音频模型，延迟更低、对话更自然。在 ComplexFuncBench Audio 上得分 90.8%，在开启 thinking 的 Scale AI Audio MultiChallenge 上得分 36.1%，均领先前代模型。
推荐理由：官方给出两项音频基准分数和多产品开放入口，读者可以据此评估它对语音智能体开发的实际改进。
Mistral AI 发布首款文生语音模型 Voxtral TTS，4B 参数，支持 9 种语言，仅需约 3 秒参考音频即可适配自定义音色，并支持零样本跨语言音色迁移。
推荐理由：原文给出 9 语言、3 秒参考音色、70ms 延迟等可核验细节与人类评测对比，读者可据此评估其语音智能体方案。
Mistral 发布 Voxtral Transcribe 2 系列，包含批处理转写模型 Voxtral Mini Transcribe V2 和实时模型 Voxtral Realtime。
推荐理由：官方发布了两个语音转写模型的具体性能、价格和开放权重信息，读者可以据此对比现有转写方案的成本与延迟。
Google DeepMind 发布面向实时语音 Agent 的更新版 Gemini 2.5 Flash Native Audio，提升函数调用、指令遵循与多轮对话能力，在 ComplexFuncBench Audio 上得分 71.5%，开发者指令遵循率从 84% 升至 90%。
推荐理由：官方给出了函数调用、指令遵循的具体提升数据和落地入口，读者可以据此评估现有语音 Agent 是否值得升级。
OpenAI 发布新一代视频与音频生成模型 Sora 2。相较初代 Sora，新模型具备更准确的物理表现、更强的真实感、同步音频、更高的可控性和更广的风格范围。
推荐理由：官方说明列出 Sora 2 在物理准确性、音画同步和可控性上的能力变化，可帮助读者比较视频模型迭代方向。
Mistral 发布语音理解模型 Voxtral，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源，可通过 Hugging Face 下载或 API 调用。
推荐理由：官方发布了模型规格、基准对比和价格，读者可以据此评估它在语音理解和成本上相对现有方案的定位。
OpenAI 宣布训练并开源名为 Whisper 的神经网络，该模型在英文语音识别上的鲁棒性和准确率接近人类水平。
推荐理由：OpenAI 官方宣布开源 Whisper，读者可以据此了解其在英文语音识别上的准确性与鲁棒性水平。