Hugging Face 推出 Open TTS Leaderboard，使用客观量化指标为开源多语言文本转语音与声音克隆模型建立标准化评测体系。该榜单基于 Qwen3 ASR 测定字词错误率以评估可懂度，结合 WavLM 说话人嵌入衡量克隆相似度，并在 H200 GPU 与 CPU 上测试批量推理速度及流式首包音频延迟。
推荐理由：传统语音评测依赖人工众包打分且耗时数周，该榜单通过多维客观指标将评估压缩至数小时，方便开发者低成本对比开源模型。
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，支持通过自然语言提示词定制角色声音并对单行台词进行细节导演。
推荐理由：模型将语音生成拓展为支持自然语言定制与双角色逐行排演的创作工具，有助于降低长音频和多角色配音的制作门槛。
Google DeepMind 正式推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，主打低延迟语音交互与复杂任务推理。
推荐理由：模型展示了边推理边对话的并行能力与后台工具调用机制，为复杂语音智能体的工程落地提供了参考。
OpenAI 在 API 中推出 GPT‑Live‑1 模型，为开发者提供自然的全双工语音对话能力。该模型具备更强的指令遵循表现，并支持自定义声音和电话通信集成。
推荐理由：原文给出了全双工语音模型的新功能点，开发者可据此评估其在电话支持与自定义声音场景下的适用度。
NVIDIA 开源多语言文本转语音模型 Magpie TTS Multilingual，参数量为 364M 并开放模型权重与生产级 NIM 容器。该模型支持普通话、韩语和阿拉伯语等 12 种语言，在 B200 GPU 上的单流首包音频延迟可达 32ms。技术上采用双帧堆叠与局部 Transformer 架构兼顾吞吐量与音质，旨在帮助开发者在自有基础设施上构建低延迟语音智能体。
推荐理由：该开源模型通过双帧堆叠与局部注意力降低了首包音频延迟，适合需要自建低延迟多语言语音流水线的团队参考。
Real World VoiceEQ 语音评测基准发布，基于超过 100 万次人类独立评分评估 40 多款主流专有和开源语音模型的真实交互水平。该基准涵盖 ASR、TTS、S2S 与语音理解等领域共 15 个维度和 60 多项指标，依托 Kairos 评测平台构建。评测发现语音模型正走向能力专业化，且多数模型在语气、情绪和停顿等副语言感知上仍落后于表达能力。
Treble Technologies 与 Hugging Face 联合推出首个开源远场语音识别评测榜单 FFASR Leaderboard，用于系统评估 ASR 模型在真实远场声学环境下的表现。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音互译。该模型通过流式处理连续生成翻译语音并保留原说话人的语调、语速与音高，全程仅滞后说话人数秒。
推荐理由：模型通过流式生成将双向同传延迟缩短至数秒并保留原声语调，同时打通了开发者接口与办公终端的集成路径。
OpenAI 在 API 中推出全新实时语音模型，具备链式推理、翻译和语音转录能力。该模型旨在帮助开发者构建更自然、更智能的实时语音交互体验。
推荐理由：新模型将推理能力直接融入实时语音交互，为构建低延迟自然语音应用提供了直接入口。
Hugging Face 发布在 Inference Endpoints 上部署 Speech-to-Speech（S2S）语音管线的完整指南。
OpenAI 宣布开源名为 Whisper 的神经网络模型，该模型在英语语音识别上达到了接近人类水平的鲁棒性与准确度。
推荐理由：OpenAI 开源了语音识别模型 Whisper，在英语语音识别任务上达到了接近人类水平的鲁棒性与准确度。
Hugging Face 宣布为 Datasets 库更新音频与图像文档，正式将标准化数据处理能力从纯文本拓展至多模态数据。新版本在快速入门中展示了端到端的多模态加载流程，并新增将数据直接转为 tf.data.Dataset 的 to_tf_dataset 函数。
Hugging Face 发布了使用 Transformers 库微调 XLS-R（Wav2Vec2 跨语言后继版本）进行低资源语音识别（ASR）的完整教程。指南以 Common Voice 土耳其语数据集为例，详细介绍了音频重采样至 16kHz、构建字符词表、配置 Wav2Vec2CTCTokenizer 与 Wav2Vec2FeatureExtractor 的流程。