Amazon Polly Generative engine 重大升级：新增 14 种语音、支持印地语和芬兰语
Amazon Polly Generative engine 完成重大升级并正式可用，语音更自然准确，新增 14 种语音、覆盖 9 个 locale，印地语和芬兰语首次在生成式引擎上正式可用。
#语音
AWS Machine Learning BlogAI 评分4242 AWS Machine Learning BlogAI 评分5050 在 Amazon SageMaker AI 上用 Kokoro TTS 为 AI 智能体流式输出低延迟语音
在 Amazon SageMaker AI 的实时端点上托管 Kokoro-82M 语音合成模型，把 AI 智能体生成的每个句子即时送入合成，让音频在完整回复生成前就开始播放。
AWS Machine Learning BlogAI 评分3636 别再猜 Amazon SageMaker AI 上 TTS 的自动扩缩容目标值
针对 Amazon SageMaker AI 上自托管 TTS 端点自动扩缩容目标值靠猜的问题，该方案将 82M 参数的 Kokoro-82M 以自定义容器部署在实时端点上，用实测的单实例并发上限 Q_max 和端到端扩容耗时 T_total 通过算术推导出扩容阈值、缩容阈值与两个冷却时间。
Hugging Face BlogAI 评分5858 IBM 发布 Granite Speech 5.0 系列：新增 2B 语音模型并更新 Turbo CTC 与 4.1 2B Plus
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 系列语音模型和基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说话串成一条实时流式管线，单轮响应低于 1 秒。
推荐理由：官方给出语音智能体 SDK 与转写、合成模型的完整定价和基准对比，可据此评估实时语音链路成本。
AWS Machine Learning BlogAI 评分3434 Deepgram 如何借助 AWS Trainium 优化大规模语音 AI
Deepgram 与 AWS 合作将 Nova-3 语音转文字模型移植到 Trainium2，用于客服中心分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，每美元处理的音频量比原有算力方案提升 11%–70%。该优化也惠及在 Amazon SageMaker AI 上自托管 Deepgram 模型的客户。
Hugging Face Blog精选AI 评分6969 IBM 发布 Granite Switch 4.1：单端点实现对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，通过 Decision aLoRA、Guardian aLoRA 与 Granite-Speech-5.0-Turbo-CTC 在单一托管端点完成对话、决策与语音转写。
推荐理由：Granite Switch 4.1 把决策适配器与 ASR 模型组合进单一端点，读者可据此了解多能力复用同一基座的部署思路。
OpenAI NewsAI 评分5858 Higgsfield 用 GPT-6 Astra 将 AI 视频从 1 分钟延长至 10 分钟以上
Higgsfield 宣布将 AI 视频时长从 1 分钟提升到 10 分钟以上，视频生成由 GPT-6 Astra 支持。同时它用 GPT-Image-2.5 提供更精确的画面，并借助 GPT-Live 打通语音电影制作路径。
Hugging Face BlogAI 评分4040 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一款 1.6B 参数的语音识别模型，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
AWS Machine Learning BlogAI 评分3636 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases，可搭建航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，实现带唇形同步、自然表情和流畅轮次的实时视觉形象。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言切换，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐句表演指导，后者面向高吞吐、低成本的配音与语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，便于判断语音生成在创作与规模化场景的取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本场景与高复杂度多步推理任务。
推荐理由：两款语音对话模型同时给出实时推理、工具调用与多语言切换的能力边界，并列出开发者与企业的开放入口。