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。
腾讯混元正式发布新一代语音识别模型 Hy ASR 3.0 preview，基于大语言模型 Hy3 的 MoE 架构融合高精度语音识别与深度语义理解。在开源评测集中，其中文普通话 WER 为 3.34%、英语为 2.62%、粤语为 3.12%，并在复杂声学场景与长尾方言识别上获得专项优化。目前该模型已上线腾讯云 API 接口，并首发接入腾讯元宝 App。
推荐理由：模型结合大语言模型底座与语音联合训练，展示了利用上下文语义提升复杂场景语音识别准确率的技术路径。
Google DeepMind 推出最新音乐生成模型 Lyria 3.5，并正式在 Google Flow Music 中上线。新模型在旋律结构复杂度与自然度、歌词质量与结构感知、以及人声发音和情感表现力上均有提升。同时，它增强了创作控制能力，方便用户调整生成音频的节奏和时长。
推荐理由：原文列举了旋律、歌词、人声表现力与节奏时长控制等维度的升级，读者可以据此评估 AI 音乐生成的可用性变化。
通义实验室正式发布实时语音合成模型 Qwen-Audio-3.0-TTS，推出首包延迟约 300ms 的 Flash 版与注重音色还原度的 Plus 版。模型覆盖 16 种语言及 20 种中文方言，支持自然语言指令控制与呼吸、笑场等结构化标签嵌入调控，单次合成支持最长 3 分钟并升级至 48kHz 音频输出，现已在阿里云百炼平台上线。
推荐理由：模型提供兼顾实时与高音质的两个版本并支持指令控制情感，有助于开发者评估其在多语种及复杂场景的落地表现。
通义实验室发布实时双工全模态交互模型 Wan-Streamer v0.2，端到端响应延迟约 550ms，输出视频分辨率提升至 640×368 @ 25FPS。模型将传统流水线重构为基于 160ms 流式单元的原生因果流，并采用单卡 Thinker 与多卡 Performer 双通路硬件解耦与 Ulysses 序列并行机制，实现低延迟感知与重载视频生成的时序重叠。
推荐理由：原文给出了双通路硬件解耦与时序重叠调度方案，展示了在大幅提升视频分辨率时维持超低交互延迟的具体工程路径。
通义实验室将语音交互模型 Fun-Realtime-AudioChat 正式升级更名为 Qwen-Audio-3.0-Realtime 并上线阿里云百炼，提供 plus 和 flash 两个版本。
推荐理由：升级通过多模态双工与多教师蒸馏兼顾了低延迟抗噪和复杂工具调用，适合语音交互开发者参考。
Hugging Face 推出 Real World VoiceEQ 评测基准，旨在衡量语音 AI 在真实复杂对话中的拟人交互质量。该基准基于超过 100 万次人类评分，包含 78.5 万条 TTS 和 4.8 万条 STS 评分，涵盖 15 个以上评估维度与 60 多项指标，对 40 多个主流开源及专有模型展开了评测。
推荐理由：该基准基于超百万次人类评分评估语音交互的拟人表现，揭示了传统指标高估现实能力的短板，为检验语音感知提供了新参考。
Hugging Face 联合 Cerebras 推出开源端到端实时语音流水线，通过 Cerebras 加速推理消除语言模型的响应延迟瓶颈。该系统采用模块化设计，串联了 Nvidia Parakeet 语音识别、运行于 Cerebras 上的 Google DeepMind Gemma 4 31B 以及 Qwen3-TTS 语音合成。
推荐理由：原文展示了结合开源模型与专用推理硬件的实时语音级联方案，读者可参考其模块化堆栈解决语音交互的长尾延迟问题。
Google DeepMind 正式发布最新音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时端到端流式语音互译，并在生成翻译时保留原说话人的语调、节奏和音高。
推荐理由：模型突破了传统轮流对话式翻译的延迟限制，通过流式生成保留说话人语调与节奏，为实时跨语言沟通提供了新方案。
Google DeepMind 正式推出文本转语音模型 Gemini 3.1 Flash TTS，支持原生多说话人对话与 70 多种语言。该模型引入了音频标签功能，允许用户在输入文本中嵌入自然语言指令来精确控制语音风格、语速与停顿，在 Artificial Analysis TTS 榜单上取得了 1211 的 Elo 分数。
推荐理由：模型引入自然语言音频标签来实现句中语气与语速控制，为开发者精细调节多角色拟真对话提供了直接参考。