Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过低延迟视频流与语音同步，实现企业级虚拟代理的近实时视觉交互。该功能支持多语言无缝切换、异步工具调用与持续对话，具备精确唇形同步与自然表情，企业可通过参考图像定制专属动画形象，目前仅对 Gemini Enterprise 用户开放。所有生成内容均嵌入 SynthID 水印以确保可追溯性。
推荐理由：原文给出了功能组合和企业可用性，读者可以据此判断其在交互场景中的部署价值。
Google 推出 Gemini 3.8 Live with Live Avatar，支持实时视频生成与语音同步，具备自然唇形同步、表情和多语言切换能力，可在对话中异步调用工具，适用于企业客户服务和交互式场景，当前仅在 Gemini Enterprise 中提供。
推荐理由：原文说明了实时视频生成与语音同步、多语言支持和异步工具调用能力，企业用户可据此评估其在客户服务或交互式场景中的应用潜力。
OpenAI 的全双工语音模型 GPT-Live 1 已在 Vercel AI Gateway 上线，支持同时听与说，无需等待对方说完。该模型还支持客户端委托，允许应用在语音会话进行时，调用 AI Gateway 上的任何文本模型（如 GPT-5.6-sol）处理深度任务，委托请求单独计费。
推荐理由：原文介绍了全双工语音交互和客户端委托的具体实现方式，读者可以据此评估其技术特点和应用潜力。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款新语音模型，支持近实时推理与多语言动态切换。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google 发布了 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款实时对话模型，旨在提升语音智能体的智能和协作体验。
推荐理由：Google 官方博客宣布了其最新的实时对话模型，提供了详细的性能基准和面向不同场景的部署方案。
MiniMax 发布音乐生成模型 MiniMax Music 3，支持基于歌词和音乐描述生成最长五分钟的完整歌曲，采用 8B 全局 LLM 与 0.6B 局部 LLM 的混合架构，结合 Flow Matching 和 Flow-VAE 进行连续隐状态合成，输出 32 kHz 16-bit 立体声 WAV 音频。
推荐理由：原文详细说明了模型架构、控制方式和部署方法，读者可据此判断其在音乐创作中的实际可用性。
百度 ERNIE 团队发布 NAVA 模型，一个 6.3B 参数的联合音视频生成模型，支持从单个提示词生成同步视频与音频，包括多说话人音色控制和图像条件续写。模型采用 Align-then-Fuse MMDiT 架构，在 Verse-Bench 上刷新 Sync-C、Sync-D、视频质量与音频 WER 等多项指标，参数量仅为开源基线的 2–5 倍。
推荐理由：NAVA 是首个在 6.3B 参数下实现高同步性音视频生成的模型，其 Align-then-Fuse 架构和参考音色控制能力可直接用于多模态内容创作。
Together AI 分享了其构建低延迟、高吞吐语音转文本（ASR）服务栈的工程优化细节，以支持 NVIDIA Parakeet-TDT 0.6B v3 和 OpenAI Whisper Large v3 等模型。
推荐理由：原文详细拆解了从模型编译到运行时优化的全链路工程实践，为构建低延迟语音AI服务提供了具体的技术路径参考。
Together AI 推出了一个统一的解决方案，用于在共置的 STT、LLM 和 TTS 基础设施上构建实时语音智能体。该架构将整个语音技术栈保留在同一云上，旨在将端到端延迟降至 500 毫秒以下，并简化部署。平台原生集成了 Cartesia 和 Deepgram 的领先语音模型，为开发者提供了模型选择和配置的灵活性。
推荐理由：Together AI 将语音识别、大模型和语音合成整合在同一集群，为构建实时语音智能体提供了一个低延迟、可灵活选模的解决方案。