IBM Granite Switch 4.1.1 补丁版发布，完全向后兼容 4.1，升级无需迁移且不改动基础模型。更新后的 Granite Speech ASR 模型支持 10 种语言的语音转文字，并原生处理标点和大小写；Decision adapter 在 Jev Decision Index 测试集上的整体性能得到改进。
推荐理由：补丁版无需迁移即可兼容 4.1，并更新 ASR 与 Decision adapter，呈现基础模型不重训的模块化迭代方式。
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。
推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。
Google DeepMind 发布 Genie 4 世界模型，可实时生成视觉、动态交互与原生音频，并通过 Gemini 理解提示、维持场景连贯性。Gemini 3.8 Flash 作为引导智能体分解目标、检查画面并动态调整计划，支持多步骤事件与因果行为模拟。
推荐理由：官方披露了 Genie 4 的实时交互、原生音频与 Gemini 引导机制，并明确列出预览范围和当前局限，便于评估其可用边界。
科大讯飞发布讯飞星火X2.6，采用全国产算力训练，由一个云端大模型搭配4B端侧模型，并按任务难度和数据敏感度决定本地执行、两端协同或云端处理。长程任务动态并行训练使超长上下文训练效率提升约4倍，自适应存算协同结合四层KVCache和分布式推理，使推理效率提升4.5倍。4B端侧模型将复杂智能体任务完成率推至41.9%，端云路由准确率为96.1%，敏感资料可在本地关联或脱敏后再上传。
推荐理由：端云路由、长程任务动态并行训练与存算协同给出了明确指标，呈现了国产算力受限下兼顾效率和数据本地化的实现路径。
Destined AI 发布开源英语 TTS 模型 Hurston-1，支持美国南部及多类非洲英语口音。phone 模式输出 8 kHz G.711 mu-law 音频并可接入 Twilio，默认仍为 24 kHz，项目地址为 https://huggingface.co/destined/hurston-1。
推荐理由：Hurston-1 同时提供多口音合成、8 kHz 电话输出和 WER 与盲听评测，可用于构建客服及语音智能体的口音测试数据。
Block 发布全双工语音到语音模型 Dessa，可同时听说，并能在 MacBook M4 Max 或更高配置的消费级电脑上本地运行。该模型完全基于人类语音训练，Block 称其仅用单块 NVIDIA GPU 训练，并将情绪直接纳入语音生成。模型目前尚未公开访问，Block 邀请安全研究人员测试语音智能体误导他人的风险。
推荐理由：Dessa 的全双工语音、情绪表达与消费级设备本地运行方案交代具体，并说明暂未开放及安全测试安排，便于评估语音智能体的落地条件。
Block 发布从头训练、完全不使用文本数据的 AI 语音模型 Dessa，直接处理音频以识别文本模型遗漏的情绪、讽刺、笑声和停顿。Dessa 支持全双工通信，可同时听和说，并在 MacBook Pro M4 Max 本地运行，训练使用单个 NVIDIA GB200 NVL72。该模型尚未公开，Block 正邀请 AI 安全研究者测试潜在风险，可通过表单报名。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
Block 发布 AI 模型 Dessa，以人类对话语音从头训练，可进行端到端语音交互。官方样例显示其对话多数较自然，但偶尔显得生硬怪异；在一段与 OpenAI GPT-Live-1 语音模型的对话中，Dessa 表现得更自然。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行，Block 计划向一小群 AI 安全研究人员提供早期访问。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
科大讯飞发布端云一体讯飞星火X2.6，并同步推出语音基座大模型SparkAudio 1.0。云端和端侧星火X2.6-4B能力同步提升；未来60%的应用可在本地完成，30%通过云端协同，10%需要云端大模型解决。SparkAudio 1.0支持语音识别、同传、交互、音频理解、情绪识别、实时说话人分离和环境声理解。
推荐理由：端云一体的任务分工、本地处理比例和多类语音能力，为比较模型应用的安全、效果与成本提供参考。
腾讯混元发布 Hy-SimulMT，提供中英双向语音到语音实时同声传译，并支持在配置 TTS 后进行实时声音克隆，保留说话者声音特征。模型持续接收音频并同步输出译文文本与语音，面向会议、演讲和访谈等实时沟通场景。
推荐理由：材料给出 RealSI 等基准、与职业译员的小规模对比及完整部署路径，读者可据此判断模型在实时翻译场景中的质量、延迟与可操作性。
IBM Granite Speech 发布 granite-speech-5.0-2b，并更新 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由：文章按高精度翻译、端侧速度和多说话人归因区分三款模型，并给出速度与错误率变化，便于按场景比较选型。
ElevenLabs 发布 Eleven Realtime v1 Max 和 v1 Mini 两款语音到语音模型，面向实时 AI 对话。v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间为 0.57 秒；ElevenLabs 称，目前 Artificial Analysis 排行榜上没有模型能同时更快且更准确。
推荐理由：文章给出 Max 的准确率和响应时间，并区分两个版本的成本与场景，还说明平台和 API 入口，便于比较实时语音模型的取舍。
Mistral AI 发布 Voxtral 3 模型家族，将语音转文本、文本转语音和基于 LiveKit 的语音智能体 SDK 组合为单一流式管线，覆盖听取、推理、工具调用与说话。
同一件事，精选收录的是《Mistral 发布 Voxtral 3 语音模型与语音智能体 SDK》
IBM Granite 团队发布 Granite Switch 4.1 的 8B 与 30B 模型，把对话、通用与安全决策以及语音识别合并到同一端点，整体显存占用与基座模型接近。
推荐理由：文章介绍了 Granite Switch 4.1 如何用 aLoRA 把对话、决策与语音识别合并到单一端点，并给出与 Jev 等模型的推理速度对比，读者可据此评估这种组合架构的实际收益。
xAI于当地时间10月14日推出Grok Voice 3.0语音模型。模型通过语音代理API开放使用，定价为每分钟0.08美元，与上一代持平。xAI表示Grok Voice已用于特斯拉车辆语音交互及星链客服中心，后者每天处理约2万通多语言客户来电，约70%无需人工介入即可解决。
推荐理由：通过与上一代相同的按分钟定价，以及星链客服每日两万通来电的处理量，让读者看清其真实部署规模和使用成本。
Cactus Compute 发布 16.9 MB 端侧语音识别模型 Whistle，在 CPU 上无依赖运行，首 token 11 ms，支持英、德、法、西、意、荷、波七语。
推荐理由：16.9 MB 的端侧语音模型与 Needle 共用同一二进制可直接转写为工具调用，并给出与 Whisper、Moonshine 的逐项对比。
阿布扎比技术创新研究所（TII）发布 1.6B 参数语音识别模型 Falcon-ASR，主打阿拉伯语尤其是阿联酋方言，使用同一组模型权重还支持英语、法语、西班牙语和葡萄牙语。
推荐理由：把模型在公开榜单和内部阿联酋方言评估上的具体 WER 与 CER 数字直接列出，读者可对照已发表系统查看差距。
Google 发布两款文本转语音模型 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，主打高表现力语音生成，支持通过自然语言提示从零创建自定义声线。
推荐理由：原文给出了新模型的声线定制能力、基准排名和多语言覆盖，便于与前代 Gemini 3.1 Flash TTS 及竞品横向对比。
xAI 发布 Grok Voice Transcribe 2.0 语音转文字模型，官方称其在真实场景中的准确率是 1.0 版本的两倍，定价保持不变（批处理 $0.10/小时、流式 $0.20/小时）。
推荐理由：原文把新一代语音转文字模型的精度改进、公开榜单排名与定价一并给出，便于在与同类语音模型比较时直接核对数字。
Google DeepMind 发布两款语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化与成本效率、以及高复杂度任务与多步推理。
推荐理由：两款模型分别面向规模化部署与高复杂度语音推理，附带多项基准成绩与上线渠道，便于横向评估它在对话语音赛道的位置。
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，主打实时转写与智能语音交互，提供实时流式（Live API）和预录音频（Interactions API）两种接入方式。
推荐理由：给出了 WER、延迟改善幅度和多语言覆盖等具体基准，并区分了实时与预录两种接入方式，便于评估在语音产品中的替换价值。
NVIDIA 发布多语种 TTS 模型 Magpie TTS Multilingual 新版本，开放权重，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语、现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，参数量 364M，可在自有基础设施部署。
推荐理由：文章给出 B200 上 32ms TTFA 等具体延迟数据与帧堆叠等推理优化结构，读者可据此估算多语种语音智能体的端到端可控时延空间。
MiniMax 开源发布 Music 3 音乐生成模型，可根据歌词和音乐描述生成长达 5 分钟的 32 kHz 立体声 WAV 完整歌曲。模型采用 8B Global LLM 与 0.6B Local LLM 的分层自回归架构，Global LLM 由 Qwen3-8B 初始化，并配合 Flow Matching 与 Flow-VAE 的连续隐状态合成模块。
推荐理由：给出了 8B Global LLM 与 0.6B Local LLM 的分层架构与 Flow Matching 合成路径，便于参考音乐生成模型的工程设计。
xAI 发布语音到语音模型 Grok Voice Think Fast 2.0，AA Speech-to-Speech Quality Index 得分 82.9%，高于 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。
推荐理由：逐项给出了与 GPT-Realtime-2.1、Gemini 3.1 Flash 等模型的语音基准对比、转写在噪声环境下的优势，以及 8 月 5 日的迁移时间和 $0.08/min 定价，便于评估升级收益。
xAI 发布 Grok Voice Think Fast 1.0 语音模型并通过 API 上线，主打低延迟响应和复杂多步骤工具调用能力。该模型在 τ-voice Bench 排行榜上排名第一，支持 25+ 种语言，并已在 Starlink 客服和销售场景部署：销售线索转化率 20%，客服问题自主解决率 70%，单个智能体调用 28 个工具。
推荐理由：原文给出了 τ-voice Bench 榜首成绩和 Starlink 实际部署转化率等数据，可据此与同类语音 API 对比实际表现。