Hao AI Lab@haoailabAI 评分6060FastH3 by FastVideo is now available in ComfyUI Video and native stereo audio, generated together, in seconds. Best for: → Previz and animatics that need lots of takes, quickly → Timing and dialogue tests before committing to a full-quality render → Short-form and social work on tight turnarounds Run it locally in ComfyUI and soon on Cloud ⬇️
Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两个语音到语音模型，形态类似 OpenAI 的 GPT-Live 模型。
谷歌于 9 月 15 日推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模化部署与成本优化，后者面向高复杂度任务、强化多步推理。
Artificial Analysis@ArtificialAnlysAI 评分6767
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款原生语音到语音对话模型，已在 Gemini Live API 和 Google AI Studio 上线，托管形式不提供开放权重。
Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款近实时语音对话模型，分别面向规模化成本效率和高复杂度多步推理任务。
Rohan Paul@rohanpaul_aiAI 评分7474We’re introducing Gemini 3.8 Live and 3.8 Live Extended Thinking – our best conversational AI. The models talk, think, and handle tasks in the background without breaking your flow. 🧵
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款开发者语音模型，可通过 Gemini API 和 Google AI Studio 使用。
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两个近实时语音对话模型，主打语音智能体和复杂任务执行。
推荐理由：原文给出两个语音对话模型的定位分工和多项基准数字，读者可以据此评估其推理、成本与工具调用能力。
Google AI@GoogleAIAI 评分6464Google AI 发布迄今最先进的 Gemini 音频模型 Gemini 3.8 Live 与 3.8 Live Extended Thinking。
阶跃星辰发布 StepAudio 3 系列语音模型，包括 StepAudio3Realtime、StepAudio3ASR、StepAudio3TTS、StepAudio3Gen 和 StepAudio3Music，均已上线阶跃星辰开放平台。
阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。
推荐理由：官方完整介绍了五款模型的能力与榜单成绩，可帮助读者了解语音模型在实时交互、理解和创作上的进展。
Artificial Analysis@ArtificialAnlys精选AI 评分6666推荐理由：原文给出语音到语音模型的完整分数、速度和成本对比，读者可据此在不同后端配置间做选型判断。
Google 在 Gemini API 更新日志中宣布 Gemini 3.8 Live（gemini-3.8-live）与 Gemini 3.8 Live Extended Thinking（gemini-3.8-live-extended-thinking）正式可用（GA），面向实时多模态对话与智能体工具调用。
豆包手机助手消费者版 9 月 14 日正式发布，主打稳定性与交互体验，支持 AI 键（带指纹鉴权）、语音唤醒、屏幕问答、本地数据搜索和接入飞书妙记的录音体验。Beta 形式开放操作手机功能，并推出屏幕自动化操作声明协议 SAEP，第三方应用可声明允许或拒绝 AI 自动化操作，同步启动 30 天规则公示。首个消费者版将搭载于努比亚 NaviX Ultra，9 月 16 日发售。
ElevenLabs 为 ElevenMusic 发布 Music v2.5，称生成歌曲更饱满自然；在 47,885 组盲测对比中听众多数时候更偏好 v2.5，尤其是 R&B、Soul、Hip-Hop、Rock 和管弦乐。
OpenAI Developers@OpenAIDevsAI 评分7070GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI Developers@OpenAIDevsAI 评分5353OpenAI Developers 介绍 GPT-Live-1，可在说话的同时监听，通话者能随时打断、补充细节或中途改变方向。Yelp 正在用它让餐厅预订电话更自然，官方发布了演示视频。
OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音服务，一个 API key 可调用多家供应商的 TTS 模型。
小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，针对多人同时说话时识别率大幅下降的鸡尾酒会难题。模型采用端到端 LLM 架构，以目标说话人参考音频作为声纹提示，在多个主流多说话人测试集上达到 SOTA；单人识别性能比肩标准 ASR 模型，可拒识非目标说话人并支持思维链推理模式。代码开源于 GitHub 和 HuggingFace。
Sherwin Wu@sherwinwuAI 评分6666GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI 宣布 GPT-Live-1 上线 API，支持全双工对话、处理打断与背景噪声，可用于电话语音智能体，并将语音理解与输出整合在同一模型中以降低延迟。
Greg Brockman@gdbAI 评分6767GPT-Live-1 现已登陆 OpenAI API。开发者可将 ChatGPT 式自然对话带入应用，构建能边说边听的语音智能体，并自选所用的模型与 harness。
GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
Tibo@thsottiauxAI 评分7272GPT-Live-1 is now available in the API. Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose.
OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，支持全双工同时听和说，价格为每分钟 $0.05。相比 GPT-Realtime-2.1，其全双工交互测试得分 80.1% 对 45.4%，轮次延迟从 1.4 秒降至 0.8 秒，工具调用准确率从 60% 升至 87%，银行语音支持基准通过率从 12.4% 升至 32%。
OpenAI Developers@OpenAIDevsAI 评分6767OpenAI 宣布 GPT-Live-1 现已在 API 中可用。开发者可在应用中引入 ChatGPT 式自然对话体验，语音智能体可在说话的同时聆听，并支持搭配用户自选的模型和 harness。
OpenAI 在 API 中发布语音模型 GPT-Live-1，可同时听和说，支持将推理和工具调用委派给 GPT-6 Astra 等后端模型，前端语音层定价为每分钟 $0.05。
推荐理由：原文给出单模型全双工语音架构、基准变化和定价，读者可以据此评估它能否简化现有语音 Agent 的分层方案。
ElevenLabs 与 Universal Music Group 宣布达成多年期授权协议与战略合作，这是 ElevenLabs 首次与主要唱片公司签订涵盖授权和产品开发的协议。
推荐理由：这是 ElevenLabs 首次与主要唱片公司达成授权与产品开发合作，读者可以据此了解授权模式下 AI 音乐产品的走向。
Tencent Hy@TencentHunyuanAI 评分5959
作者实测网易有道新上线的语音输入法叭哥说，与 Typeless、豆包输入法、闪电说横向对比。叭哥说采用双模型分工，E2E 平均 1683ms、P95 2134ms，并支持小声拾音、个人词典即刻生效和多语言翻译等功能。
OpenAI 语音产品负责人 Atty Eleti 宣布 ChatGPT 语音模式可自由选择模型和推理深度，Pro 套餐可调用 GPT-5.6 Sol 或 GPT-6 Astra，语音模式在需要搜索或复杂推理时自动调用指定模型。
Suno@suno精选AI 评分6666Suno 发布 v6 模型，可将图片、视频和语音备忘录转化为音乐，并对已创建的歌曲进行精确修改。同时提供 v6-wild 版本供探索更多可能性，官方附有 2 分钟以内的功能演示视频。
推荐理由：官方宣布 v6 上线并给出多模态输入与歌曲精修能力，可据此了解音乐生成模型的最新变化。
Suno 发布 v6 AI 音乐模型，是首个获得唱片业支持的版本，训练数据包含来自 Warner Music Group、BMG 和 Believe 的授权内容及用户数据。
巴黎语音 AI 公司 Gradium（从 Kyutai 研究实验室分拆）推出 Voice Design，输入 1 到 500 字符的描述即可在 3 到 5 秒内生成 1 到 5 个候选语音，无需参考音频，支持英法西葡德 5 种语言，已在 Gradium API 和 Studio 全部套餐免费开放。
Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，将音频切分为 80 毫秒块，通过强化学习为每个词动态调整等待时间，并内置说话人区分（可同时区分 20 人以上）和句界检测。
谷歌于 9 月 5 日宣布在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，可生成含数段副歌、桥段等数分钟完整歌曲，用户可通过 gemini.google.com/music 网站和应用使用。
