Microsoft AI 发布实时流式转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的最终与部分转写准确率均排名第一，支持 60 种语言，接收到音频后约 100ms 内产出首个 partials，内部评测显示实时听写场景出词速度比最接近的竞品快 2x，年底前 introductory 价 $0.54 每小时音频。
推荐理由：官方公布三款语音模型的具体定价、延迟数字和 Artificial Analysis 排名，可据此评估搭建语音智能体的成本与速度。
Suno 发布 Speech 测试版，称其为首个能把语音和音乐作为一条完整音轨共同生成的音频模型。用户输入文字并描述声音与音乐风格，即可生成配有原创背景音乐的语音内容；此前已小范围测试一个月，现向所有用户开放，团队表示会持续改进。
推荐理由：原文说明了 Speech 将语音与音乐合成为一条轨道的玩法和开放范围，读者可据此判断它带来哪些新用途。
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源多语言 TTS 和语音克隆模型。指标包括基于 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 流式延迟、WavLM 嵌入的说话人相似度（SIM），把评估周期从数周缩短到数小时。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为对话模型加入近实时视频生成与视觉形象，今日起在 Gemini Enterprise 提供。该功能支持精确唇形同步、异步工具调用不中断对话、跨 97 种语言的语音到语音同步，并可用参考图定制头像（需企业允许名单），所有输出带 SynthID 水印。
inclusionAI 发布 Ming-UniAudio-16B-A3B-Edit，统一语音理解、生成与编辑，核心是基于 VAE 和因果 Transformer 的连续语音分词器 MingTok-Audio，整合语义与声学特征。
inclusionAI 发布 Ming-UniAudio 框架及 Ming-UniAudio-16B-A3B 模型，统一语音理解、生成和编辑，核心是基于 VAE 与因果 Transformer 的连续语音 tokenizer MingTok-Audio。
Apple 研究团队提出潜空间蒸馏方法压缩流式神经音频编码器（tokenizer），以教师模型量化前的逐帧潜表示为监督目标，仅训练学生编码器做回归，并用单层仿射层吸收师生宽度差异。在 2.8 倍压缩下，六组师生配对中有五组无需微调即保持在教师 1.9% 相对 WER 以内，并比同容量独立训练编码器相对提升 3.9%。该方法同时适用于独立预训练和与语言模型联合训练的 tokenizer。
Apple 研究团队提出半监督联邦 ASR 训练方案，通过在线伪标签教师与服务端标注数据锚定更新两条耦合设计轴，解决伪标签误差跨序列、跨轮次累积导致的训练发散问题。该方案在 11 组对比中 9 组优于此前最强方法，域内平均提升 20.8%、跨域提升 10.0%，缩小了与全监督联邦学习的差距。
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设计角色声音、30 秒音频样本复刻声音，并逐行指挥表演。
推荐理由：原文给出两个 TTS 模型的定位差异、基准成绩和开放渠道，读者可据此评估语音生成工作流的选型。
inclusionAI（Venus Team，蚂蚁集团与清华大学）在 Hugging Face 开源 Realtime-Venus，包含基于 MiniCPM-o 4.5 的 9B 视听交互模型 Realtime-Venus-Omni 和纯音频模型 Realtime-Venus-Audio。
压缩器通过降低音频中最响部分的音量、再用补偿增益提升整体电平，从而缩小动态范围，让安静细节在混音中更清晰。Suno Studio 的压缩器插件提供阈值、压缩比、启动与释放等参数，并配有实时动态曲线表，适合处理上传或录制的原始音频。Studio 为浏览器端 DAW，随 Suno Premier 订阅免费提供。
Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两个实时语音对话模型，主打近实时推理与语音智能体。
推荐理由：官方给出两个新语音模型的定位分工和多项基准数字，读者可据此判断其适合规模化还是高复杂度语音任务。
Google 宣布其语言技术已覆盖 300 多种语言、服务超 70 亿人，占全球人口 86%。Gemini 3.5 Live Translate 支持 70 种语言。
推荐理由：官方梳理了从实时翻译到无障碍设计的语言 AI 布局，并给出各产品的覆盖语言数和合作项目，可作了解现状的参考。
OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音，一个 API key 即可以相同请求结构调用 Mistral Voxtral Mini TTS、xAI Grok Voice TTS 1.0、Microsoft MAI-Voice-2 等多家模型。
OpenAI 在 API 中推出语音模型 GPT‑Live‑1，支持自然的全双工语音对话。模型具备更强的指令遵循能力，支持自定义音色和电话场景。
推荐理由：官方摘要指出模型新增全双工语音、自定义音色和电话支持，可据此了解 API 语音能力的扩展方向。
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发，并最终以下一代模型替换旧模型。
推荐理由：原文由官方给出三档模型分工与具体编辑能力示例，读者可以据此判断新工作流是否适合自己。
Suno 宣布与 Believe 和 TuneCore 达成全球战略合作，使用 Suno 新行业伙伴模型创作的歌曲可通过 Believe 和 TuneCore 分发。
Microsoft MAI 发布转写模型 MAI-Transcribe-2，在 FLEURS 基准 60 种语言上以平均词错率 5.2% 排名第一，定价每小时音频 $0.10（年底前限时）。
Google DeepMind 推出语音转文字模型 Gemini 3.5 Transcribe，定位为更精确的实时转写模型，已在 Gemini API（Google AI Studio 和 Gemini Enterprise Agent Platform）开启公开预览。
推荐理由：官方给出了两个 API 入口、WER 数字和与 Chirp 3 的对比，读者可据此评估其语音转写与语音交互场景的可用性。
Google 在 ADK 中推出原生实时（live）评测能力，可用模拟用户以音频形式与语音 Agent 对话并对口头回复打分。
Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
Suno 发布 Studio 2.0，现向 Premier 订阅者开放。新增时间线 MIDI 导入、录制与编辑，可用 MIDI 剪辑作为生成提示词，附带新的 wavetable 合成器；另推出 Chat bar（beta）协作创作、高级 stem 分离、音频效果与自定义插件、自动化曲线，并支持无损导出 32-bit/48kHz 多轨与 stems。插件创建目前不消耗 credits。
推荐理由：官方发布新增 MIDI、Chat bar、自动化等能力，音乐创作者可据此判断 Suno Studio 2.0 是否融入现有工作流。
Suno 官方宣布与大型音乐公司 BMG 达成全球合作伙伴关系，该合作是 Suno 即将推出的首个与音乐行业共同开发的音乐模型的一部分。双方将共同打造连接艺术家与粉丝的新体验，并为选择加入的艺术家和词曲作者创造新的经济机会，同时深化 Suno: In Session 和 Spark 等对独立艺术家的支持项目。
推荐理由：Suno 官方宣布与 BMG 达成全球合作，说明合作将伴随其首个与音乐行业共同开发的音乐模型推出，可据此了解 AI 音乐公司与版权方的合作模式。
Sierra 推出开箱即用的 IVR 导航能力，让智能体能打电话穿越多级菜单、判断何时沉默、发送 DTMF 按键音并识别真人接听。评测显示开启该功能后整体通过率提升 49%，从 57% 到 85%，其中「联系到人」类任务提升最大；客户包括一家 top 5 医疗支付方和一家全国性数字药房。
Suno 官宣 9 月 3 日起按订阅档位实施下载限额，Free 用户终身仅 7 次试用下载，Pro 每月 20 次，Premier 每月 60 次，Suno Studio 无下载限制，超出部分可购买。同时推出新服务条款，付费计划下载的歌曲保留商用权，此前所有歌曲仍可播放和分享；新一代 Suno 模型即将上线，发布时旧模型将全部退役。
推荐理由：官方说明给出各档下载限额、免费用户终身额度等关键细节，对现有用户判断订阅与商用权利有直接参考价值。
Sierra 发布 Voice Personas，让企业为同一个 AI 智能体配置不同语音人格，可跨品牌、市场与语言复用同一底层智能体。该功能结合语音、个性与语言感知行为，支持智能体在对话中调整语速、应对打断并切换语音或语言，由多种语音模型按场景择优驱动。Sierra 称某智能体搭配自然语音与人格后解决率提升近 50%，Voice Personas 现已上线。
Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，两款模型均进入公开预览。
推荐理由：原文给出两款新模型的定价、性能数字和产品落地情况，可据此比较其质量速度成本取舍。
OpenRouter 上线 POST /api/v1/audio/transcriptions 音频转写端点，复用 Chat Completions 的同一 API key 和鉴权。
推荐理由：官方教程给出了完整的请求参数、限制和计费细节，读者可以直接照抄接入而不必自建 Whisper 服务。
Hugging Face 团队推出 Real World VoiceEQ 基准，评估语音交互的人类化质量，覆盖 40 多个专有和开源语音模型、15+ 维度和 60 多项指标，涉及 ASR、TTS、S2S 和语音理解。
微软 AI 与诗歌推广人 William Sieghart、创意工作室 Gravity Road 合作推出数字诗歌体验 Ode Poetry，基于 MAI 音频模型实现实时对话与诗歌推荐。
Hugging Face 与 Cerebras 展示了一套全开源、模块化可替换的实时语音到语音流水线，语言模型采用 Google DeepMind 的 Gemma 4 31B，在 Cerebras 上推理，语音识别用 Nvidia Parakeet，语音合成用 Alibaba Qwen3TTS。
LMSYS、MOSI 与 OpenMOSS 团队宣布在 SGLang-Omni 上实现 MOSS-TTS-Local-Transformer-v1.5 的端到端服务，该开源 TTS 模型支持 48 kHz 立体声、零样本音色克隆、31 种语言和最长 10 分钟生成。
Suno 更新 Stem Separation 功能，提供 Auto Split（最多拆出 12 个 stems）、Split from Mix 和仅限 Premier 的 Advanced Split 三种模式。Advanced Split 可从近 100 种乐器中精确提取；Suno 采用重新生成每个 stem 而非切割混音的做法。该功能适用于平台创作及上传的音乐，需付费订阅。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言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，全程仅落后说话者几秒。
推荐理由：原文给出模型能力、开放渠道和 Meet 语言扩展细节，读者可据此评估它在会议和翻译场景的可用性。
Suno 发布 Voices 功能使用指南，给出 6 个提升人声表现力的技巧：在安静环境录制、提前练习、不必追求完美、尽量录长（建议至少 1 分钟）、让声音匹配曲风、大胆尝试意外风格。Voices 已在 Web、iOS 和 Android 上线，可免费试用，付费方案提供更多功能。
Microsoft 发布文本转语音模型 MAI-Voice-2，在保真度、语言覆盖、说话人一致性和情感范围上较前代显著提升。支持语言从英语扩展到 15 种，提供情感标签细粒度控制，可用 5-60 秒参考音频零样本创建自定义声音，且生产环境仅允许授权声音合成。
推荐理由：官方发布给出语言扩展、零样本克隆与偏好测试数据，读者可据此评估该语音模型在生产场景中的可用性。
Microsoft MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。
推荐理由：作者以当事方身份逐一公布七个新模型的定位、基准数字和开放渠道，读者可以对照竞品评估各自适用场景。
微软推出转录模型 MAI-Transcribe-1.5，新增关键词偏置功能，可让用户提供领域特定关键词列表来引导预测，模型会结合上下文判断是否应用偏置而非盲目强制匹配。在 FLEURS 多语言基准上，启用关键词偏置后词错误率（WER）降低 30%，在提升专业词汇识别的同时保持通用语音的准确率。
Sierra 构建了一套语音转录平台，通过并行调用多个转录提供商进行集成、注入对话上下文，并支持 70+ 种语言，以解决姓名拼写歧义、行业术语识别等难题。其内部基准显示，集成方案平均将话语错误率降低约 25%，在部分语言中最高降低 37%；上下文感知转录使金融服务智能体的输入验证率提升超 25%，整体问题解决率最高提升 1%，重大转录错误减少最多 15%。
Runway 发布 Characters，基于 GWM-1 将单张参考图转为可实时对话的视频角色，无需微调，支持写实人像、卡通和吉祥物等风格。模型每帧有效耗时 37 毫秒，用户停止说话到角色开口的服务端延迟 1.75 秒；通过扩散变换器与 VAE 解码器流水线并行、KV-cache 管理、CUDA Graphs 和 Triton 核优化实现 24fps 实时生成。
推荐理由：官方技术博客拆解了实时管线的关键数字和系统优化，读者可以据此理解单图驱动的对话视频智能体的实现路径。