ElevenLabs 发布 v4 语音模型，新架构提升方向遵循与长内容声音一致性，支持 90+ 语言及原生口音克隆。Turbo 变体实现 150 毫秒语音启动，在 Artificial Analysis 发音基准测试中得分 91.7%，盲测中约四分之三听众更偏好 v4。标准版 API 定价 $80/百万字符，Turbo 版 $40，即日起至 10 月 12 日临时降价至 $22 和 $11。
推荐理由：新版本在发音基准测试中得分91.7%，Turbo变体可在150毫秒内开始语音生成，为实时语音代理提供了速度与表达兼顾的方案。
Google 发布语音转文字模型 Gemini 3.5 Transcribe，据 Artificial Analysis 测试流式 WER 为 4.0%、非流式为 2.6%。
推荐理由：原文列出流式与非流式 WER、延迟改进幅度及两条 API 形态，可与 Chirp 3 对照判断升级幅度。
NVIDIA 发布 364M 参数的开源语音合成模型 Magpie TTS Multilingual，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并提供男声与女声。
Google 在 Flow Music 中上线新一代音乐生成模型 Lyria 3.5，在音乐性、歌词、人声质量和创作控制四方面带来提升。该模型可生成更复杂自然、旋律结构更丰富的作品，歌词的提示词遵循与结构意识更好，人声更具情感表现力且发音改善，用户还能更便捷地控制输出节奏与时长。
summary_zh: BAIR 2026 届博士毕业生涵盖机器人与具身智能、大语言模型与推理、计算机视觉、生成式建模、AI 安全、人机交互、AI for Science 等方向。
Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型，支持 70+ 语言实时语音到语音翻译，保留说话者语调与节奏。模型通过 Gemini Live API、Google Meet 和 Google Translate 开放，Android 端新增收听模式。
推荐理由：Gemini 3.5 Live Translate支持70+语言连续翻译，保留说话者语调，开发者可通过Live API和Google Translate接入。
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款在可控性、表现力和音质上均有提升的文本转语音模型。该模型在 Artificial Analysis TTS 榜单上取得 1,211 Elo，支持 70+ 语言、原生多说话人对话，并新增可用自然语言控制语气、语速和演绎方式的音频标签。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均采用 Apache 2.0 开源许可。模型支持最长 30 分钟音频转录和 40 分钟理解，内置问答与摘要功能，并原生支持多语言自动识别。
推荐理由：Voxtral以不到同类API一半的价格提供接近商用水平的语音理解能力，为开源ASR与闭源服务之间的鸿沟提供了可部署的替代方案。