Google 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时对话能力结合，为对话模型带来近实时的视觉形象。该功能支持精确唇形同步、自然表情与流畅轮次切换，并可在对话中异步调用工具、在后台获取数据。它支持 97 种语言的原生语音到语音同步，输出均带 SynthID 水印，现已在 Gemini Enterprise 提供，自定义形象仅限企业白名单申请。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的落地形态与开放范围。
Google 发布 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 模型把语音生成从固定音色扩展到自然语言定制与逐句导演，并给出基准排名和开放入口。
SpaceXAI@SpaceXAIAI 评分5858xAI 发布 Grok Voice Transcribe 2.0，称其为全球最准确的语音转写模型。原文未给出具体准确率数字、支持语言或开放方式等细节。
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模化与成本效率，后者面向高复杂度任务和多步推理。
推荐理由：Google 发布两款实时语音对话模型，给出语音智能体基准成绩与开发者接入渠道，可据此判断语音 Agent 的可用性。
Google 在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，官方称其音质表现最好，人声更具表现力、编曲更丰富。Gemini 应用内支持选择或描述曲风、在带人声与纯器乐之间切换，并提供从背景音乐到生日定制曲的模板，还可选择短曲或长曲。
推荐理由：Lyria 3.5 在音质、人声表现和编曲丰富度上的升级，以及它在 Gemini 应用与 API 中的开放范围，可供读者判断音乐生成能力当前所处的位置。
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首款实时音频感知模型，支持流式 ASR、20 人以上说话人分离和端点检测。模型原生支持任意中英混说，训练覆盖 70 多种语言，其中 25 种经过充分验证，并支持超过一小时的长音频输入。官方称其在 Artificial Analysis 流式语音转文字和公开说话人分离基准上排名第一。
推荐理由：Meta 公布实时语音感知模型的技术细节与基准排名，读者可了解流式 ASR 与说话人分离的实现路径。
Google 发布 Gemini 3.5 Transcribe 语音转文字模型，可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 使用。
推荐理由：官方给出流式与非流式两档 WER 数字和相对 Chirp 3 的延迟提升，便于判断语音转写在实际管线中的可用性。
Google 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：可生成更丰富自然的旋律结构，歌词质量与提示词遵循度、结构感知更好，人声更具表现力和情感且发音改善，同时更易控制输出的节奏与时长。
OpenAI 发布 GPT-4o，Sam Altman 表示已在 ChatGPT 中免费提供这一模型，且不含广告。他称新的语音与视频模式是自己用过最好的计算机界面，达到接近人类的响应速度和表现力，并提到后续会加入可选个性化、访问用户信息以及代为执行操作等能力。
推荐理由：OpenAI 官方说明 GPT-4o 免费开放与语音视频模式，读者可了解其能力定位与商业化取舍。