OpenAI 引入两种转录模型：低延迟、更好理解上下文

OpenAI 发布新一代语音模型，包括 GPT-Realtime-2 增强推理、GPT-Realtime-Translate 实时翻译和多语言支持、GPT-Realtime-Whisper 低延迟流式转录，显著提升语音交互的上下文理解和响应速度。

砍掉独立编码器：Gemma 4 12B推翻多模态"拼接设计"

Google Gemma 4 12B 通过彻底砍掉独立的视觉和音频编码器，采用统一的 Encoder-Free 架构，让多模态模型直接在消费级笔记本上运行，延迟与内存占用大幅降低。

CosyVoice2.0

一个低延迟、高质量的语音合成平台，提供流畅自然的语音生成服务。

Groq AI

Groq AI 是一个专注于 AI 推理的集成平台，利用 LPU 技术提供超高速的模型推理服务。

谷歌掀语音Agent新纪元，开口就是生产力，Siri的最强来了？

谷歌通过发布低延迟、高精度的实时音频模型Gemini 3.1 Flash Live，正式开启了语音Agent时代，旨在将单纯的语音交互转化为高效的生产力工具。