AWS 官方介绍了如何在 Amazon SageMaker AI 上使用 Kokoro-82M 模型和双向流式传输，实现 AI 智能体生成首句文字即开始语音合成。该方案通过逐句推送和传输优化，将首音频响应时间缩短了数倍。
推荐理由：文章给出了基于 Amazon SageMaker AI 部署 Kokoro 82M 模型并进行双向流式传输的具体架构和性能对比，读者可以参考其实现来降低语音智能体交互延迟。
Amazon Polly 为其生成式语音引擎推出了重大升级，带来更自然、更具表现力且低延迟的语音输出。此次升级新增了 9 个区域的 14 个新语音，并首次在生成式引擎中全面提供印地语和芬兰语支持。现有应用的 API 调用与语音名称保持不变，支持作为直接放置升级接入。
推荐理由：该升级在保持现有 API 和定价不变的前提下提升了语音自然度和准确性，并新增了多语言支持，有助于开发者低成本优化现有应用的音频生成体验。
Deepgram 与 AWS 合作将 Nova-3 语音识别模型适配至 AWS Trainium2 芯片，在离线批处理工作负载中实现了每美元处理音频量提升 11% 至 70% 的吞吐量。双方通过 PyTorch、Neuron 软件栈以及内核级调优完成了此次推理优化。
Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。
推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。
研究人员提出了一种直接从语音中检测语码转换的轻量级方法，利用预训练语音编码器中的帧级语言信息来识别单个话语中是否存在多种语言。基于CS-FLEURS中14个语言对的测试结果表明，Whisper-small编码器实现了0.798的平均F1分数，优于CNN基线的0.776和HuBERT线性基线的0.751。
OpenAI 旗下 Higgsfield 平台更新，通过集成 GPT-6 Astra 模型将视频生成时长从 1 分钟提升至 10 分钟以上。同时引入 GPT-Image-2.5 提供更精确的视觉效果，并利用 GPT-Live 开启语音电影制作功能。
推荐理由：OpenAI 旗下 Higgsfield 平台通过集成 GPT-6 Astra 等模型，将 AI 视频生成时长提升至 10 分钟以上并引入语音电影制作功能。
TII 发布了参数规模为 1.6B 的 Falcon ASR 语音识别模型，该模型支持阿拉伯语（重点优化阿联酋方言）、英语、法语、西班牙语及葡萄牙语。在六项阿拉伯语测试中，Falcon ASR 的平均词错误率（WER）为 20.92%，优于此前 23.17% 的最佳公开结果，并支持单词级时间戳功能。目前用户可通过 Hugging Face Demo Space 进行体验。
研究表明，在预训练阶段增强多语言语音模型的语言判别能力，可有效缩小其与单语言模型之间的性能差距。通过在 HuBERT 模型中引入辅助语言分类器和分语言 k-means 目标，模型在双语基准下的 phone-ABX 错误率从 11.6% 降至 10.4%，词汇性能（sWUGGY）从 52.1% 提升至 56.7%。
Hugging Face 推出 Open TTS Leaderboard，通过 WER/CER、RTFx、TTFA 及语音嵌入相似度等客观指标，实现对开源 TTS 模型的高效自动化评估。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，通过实时视频生成技术为对话模型增加视觉形象。该功能支持 97 种语言的唇形同步、异步工具调用以及企业自定义数字人形象，目前已在 Gemini Enterprise 中上线。
推荐理由：Google DeepMind 为 Gemini 3.8 Live 引入实时数字人功能，支持异步工具调用与多语言唇形同步，为企业级智能体交互提供了更具表现力的视觉方案。
Google 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型，支持通过自然语言提示词创建自定义角色语音、进行逐行表演指导及多角色场景编排。新模型支持超过 100 种语言，具备语音克隆、SynthID 水印及 C2PA 凭证功能，现已在 Google AI Studio 和 Gemini API 中开放使用。
推荐理由：Google 发布了 Gemini 3.8 系列语音生成模型，通过自然语言提示词实现精细化的语音设计与表演控制，为开发者和企业提供更具表现力的音频生成能力。
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音模型，旨在提升语音智能体的实时推理与复杂任务处理能力。
推荐理由：Google 发布了 Gemini 3.8 Live 系列模型，通过引入实时推理和多步思考能力，为语音智能体提供了更流畅的交互体验与任务执行效率。