AMBIT 提出统一框架，通过自回归场景规划与整流流渲染，生成并编辑一阶 Ambisonics（FOA）空间音频。共享 Transfusion 骨干以可执行 ScenePlans 描述声源内容、活动和 3D 轨迹，编辑计划覆盖需保留的声源；FOA 感知连续 VAE 维护内容与声道间结构，在策略自蒸馏则针对学生生成状态改进规划和渲染。
推荐理由：论文将可执行场景规划、整流流渲染与在策略自蒸馏整合进统一框架，并同时验证空间音频生成和指令编辑效果。
Falcon 是一种因果音视频目标说话人提取模型，利用目标说话人的嘴部视频从噪声和重叠语音中提取其声音。模型采用单次多尺度时频分离器与编码空间说话人对比损失，相较 causal AV-TFGridNet，可训练参数减少 91.9%，计算量降低 20.2×，GPU 推理延迟降低 11.1×。
推荐理由：论文提供真实场景基准，并报告相对 causal AV-TFGridNet 的参数、算力与延迟对比，便于评估效率取舍。
StyleStream 2.0 提出快速、可控的流式语音风格转换方案，相关论文获 NeurIPS 2026 接收。系统可在保留语音内容的情况下转换参考音色，也能依据自然语言描述设计音色或定向编辑声音属性。其在消费级 GPU 上实现 520 ms 端到端延迟，并通过少步 MeanFlow 生成和自回归反馈加速推理。
推荐理由：论文将参考音色转换、自然语言音色设计与定向编辑统一到流式框架，并给出 520 ms 端到端延迟数据。
Qwen-Audio-3.1-ASR 模型家族在 Qwen-Audio-3.0-ASR 基础上改进语音识别，并扩展说话人区分转写与通用音频理解能力。该家族支持 30 种语言和 16 种中文方言；说话人区分 ASR 输出说话人标签、时间戳和识别文本，保持跨轮次说话人标签一致，并能表示重叠语音。
推荐理由：报告将语音识别、说话人区分和通用音频理解纳入同一模型家族，并列出语言、方言及部署变体，便于对照不同任务需求。
Heartbeat Thinking 让实时语音智能体在聆听更新时持续准备工具调用，并在 FDBench v3 上将工具覆盖率提高 16 个百分点、平均最终响应延迟降低 36.4%。
推荐理由：论文将 Heartbeat Thinking 与窗口式基线对比，并报告工具覆盖率、检索复用和响应延迟的变化。
Bold Agent Kit 对约 14,000 通客户来电的分析显示，人类接待员在入站意向转化上比 AI 接待员高出约 4 倍。AI 接听的电话出现无进展挂断的比例比人类高出 700%，而人类接待员的漏接率比 AI 多约 15%。文章认为企业应衡量每次成功转化的成本，而不是只比较接听成本。
推荐理由：用一手对比数据揭示 AI 接待员在接通率与转化率之间的权衡，为读者评估自动化收益提供具体参照。
论文提出 CoSTA，通过解耦语音对话模型的生成与合成 token 空间，在保留原 tokenizer 和 decoder 的同时提升推理效率。在双语语音对话基准上，扩展语音 token 的生成速度达到约 1.7times，完整响应延迟降低、吞吐量提高，同时保持回答质量。
推荐理由：论文将语音对话模型的生成与合成 token 空间解耦，在保持回答质量的同时呈现推理加速效果及压缩、效率与质量之间的权衡。
Fish Audio 发布开源语音生成模型 Drama 3 的技术报告，基于 35B 参数 MoE 主干（每 token 激活 3B），在单卡 H200 上以 271 fps 解码，速度高于参数量更少的前代 S2（177 fps）。
推荐理由：原报告给出 35B 参数 MoE 语音生成模型的架构与单卡推理速度对比，读者可据此评估多轮修改与长音频流式生成的实际表现。
研究者提出 Dynamic Band Splitting（DBS）端到端框架，可在固定频带 token 预算下学习音频源分离中的频带切分位置，使频带边界随每个混合信号自适应调整。
推荐理由：给出 DBS 在 BSRNN、TIGER、BS-RoFormer、MelRoFormer 上的迁移效果与具体 SI-SDR 数字，可供做频带分离的研究者直接对照改进幅度。
SepGen 扩展预训练音视频生成器，在一次联合采样中同时输出视频、混合音轨以及按字幕逐个声源的波形，支持生成和分离两种互补模式。在给定音频混音和带台词字幕时，SepGen 在语音场景下优于语言条件分离器，且在字幕去掉台词后仍保持领先。代码、检查点与数据集已发布在 https://sepgen.github.io 。
推荐理由：SepGen 在一次采样中同时输出视频、混合音轨和各声源波形，并给出可与语言条件分离基线直接对比的语音场景实验结果。
研究人员在设备端级联语音智能体中引入推测式工具执行，通过 Predictor 模块在 ASR 阶段预测工具调用并预先缓存结果，将 Android 语音助手首音频响应时间中位数从 5.79s 降至 4.60s。框架同时加入基于规则的自校正校验以过滤用户口误，并在最坏情况下由 LLM 直接调用工具兜底，最终将响应延迟标准差从 3.49s 降至 2.81s。
DEFINE 是端到端零样本 TTS 框架，通过分别用参考音频控制说话人身份和目标口音实现解耦。该框架基于 F5-TTS 与参数高效 LoRA 适配，无需推理时口音标签或合成后波形转换，单个推理时引导权重即可连续调节口音强度而无需重新训练。
Open ASR Leaderboard 与 Voice Arena 上线印地语（hi-IN）与印度英语（en-IN）评测集 Monsoon，包含公开与私有四个 split、4888 名说话人，每人携带 12 项属性，用于揭示模型在不同人群上的识别差距。
推荐理由：给出基于说话人元数据拆分 ASR 评测结果的方法，能揭示区域、设备等维度上的差距，对多语言模型选型与改进方向有参考价值。