AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
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 DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话结合，为企业对话模型加上动态视觉形象，已在 Gemini Enterprise 上线。
推荐理由：原文给出实时视频形象与异步工具调用的能力说明，读者可据此了解企业智能体的交互形态变化。
Google DeepMind 发布了 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 模型，专注于近实时推理和语音代理。
推荐理由：Google DeepMind 发布了 Gemini 3.8 Live 系列模型，提升实时推理和语音代理能力，支持复杂任务执行与流畅对话，为开发者构建生产级语音代理提供高效工具。
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。
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。
Mistral AI 发布 Voxtral TTS，4B 参数、支持 9 种语言的多语言文本转语音模型，提供自然、情感化语音生成与低延迟流式输出。模型通过 API 和 Mistral Studio 开放，定价 $0.016/1k 字符，并提供开源权重。
推荐理由：原文给出延迟、定价与多语言支持等具体指标，读者可据此评估其是否适配自有语音 Agent 流程。
Mistral AI 为 Le Chat 推出深度研究、语音对话、多语言推理和项目管理等新功能。深度研究模式可自动规划、搜索并生成结构化参考报告，语音模式由 Voxtral 模型驱动支持自然语言对话，多语言推理由 Magistral 模型支持，项目功能可组织对话并保留工具与设置。
推荐理由：Le Chat 新增深度研究、语音对话、多语言推理和项目管理功能，为用户提供了从信息搜集到组织协作的一体化 AI 助手体验。
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。