Hugging Face 发布 Open TTS Leaderboard，用客观指标评估开放源码 TTS 模型的可懂度、速度和说话人相似度，并覆盖多语言与语音克隆场景。排行榜使用 WER/CER、RTFx、TTFA 和 SIM，支持在 H200 GPU 与 CPU 上比较流式性能，并提供 Listen 标签页供用户试听和投票。
推荐理由：该排行榜把 WER/CER、推理速度和说话人相似度纳入统一评测，并保留试听投票，便于比较开放源码 TTS 在多语言和流式场景中的取舍。
ElevenLabs完成$300 million员工要约收购，估值达到$22 billion，是其2026年2月Series D估值的两倍。公司称企业客户已贡献55%的收入，ElevenAgents每周处理超过15 million次对话，较2月增长3x；其语音智能体平均比聊天智能体快31%解决问题。
推荐理由：企业收入占比、智能体处理量和多渠道部署数据，提供了观察语音智能体商业化进展的具体参照。
ElevenLabs 发布情感表现更强的文本转语音模型 Eleven v4 及低延迟版本 Eleven v4 Turbo，两者支持 90 多种语言，已在 ElevenAgents、ElevenCreative 和 ElevenAPI 上线。
推荐理由：官方给出 Eleven v4 与 Turbo 的延迟、盲测偏好和音频标签控制细节，可用于语音智能体与配音选型参考。
Google DeepMind 发布两款实时对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的选型与成本取舍。
AI Lip Sync 提示词应包含清晰音频、正面或四分之三侧脸、角色语气与情绪，并使用短句和恰当标点，以提升对白与嘴型的同步效果。系统通过分析 phonemes、映射 visemes，再逐帧生成口型动画，现已覆盖 30+ languages。集成式工作流可将本地化和客户修改变成修订任务，避免每次从头重建视频。
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上更强，并支持自定义音色与电话（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，读者可据此判断语音类应用的接入门槛与能力边界。
ElevenLabs 任命前 Adyen CFO Ethan Tandowsky 为首席财务官，他于 2016 年加入 Adyen 财务团队，2018 年参与推动公司上市，2023 年升任 CFO，任内 Adyen 员工从 400 人增至 5000 人、收入增长 20 倍。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言标签页上的首个印度语言。
推荐理由：公开 ASR 榜单首次纳入印地语与印度英语，并公开说话人元数据与格参考，可用于判断语音模型的地域偏差。
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转为经过整理和格式化的文本。
推荐理由：语音转写模型选型可参考其流式与非流式 WER 差异、双 API 划分和自定义词表能力。
ElevenLabs 发布 CLI v1，将 ElevenLabs API 直接带入终端，并为编码智能体提供结构化 JSON 结果、--dry-run 预览和可解析错误。
推荐理由：ElevenLabs 将 API、结构化结果和 agents-as-code 纳入 CLI，展示了编码智能体管理语音应用与生产配置的可复用工作流。
Hugging Face 的最新研究提出三项测试，用于量化语音识别模型针对公开基准进行优化的程度，并评估了 11 个常用开源 ASR 模型。
推荐理由：研究把参考文本错误、静音数字和拼写切换转化为三项可量化测试，为语音模型选型和评测集设计提供了具体方法。
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源权重模型的多语言覆盖与 TTFA 实测数据，可供语音 Agent 选型时比较自部署延迟与可控性。
字节 Seed 正式推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持在连续多模态流上实时交互。官方称端到端人工评测中，相比级联模型音视频对话节奏问题减少一半，单次对话顺畅完整交流的概率明显提升。该模型已在豆包 App 全量上线，更新后在对话框选择打电话进入视频通话即可体验。
推荐理由：官方披露了统一架构、端到端评测口径与豆包全量上线入口，可据此判断全双工音视频交互的落地形态。
ElevenLabs介绍其在2026年选举周期中利用语音AI扩大公共信息可及性，并防范误导和滥用的工作。巴西最高选举法院将为“Electoral Assistant”加入语音交互，ElevenLabs还将为Comprova合作方提供AI Speech Classifier等检测工具培训。
推荐理由：文章梳理了语音 AI 在选举信息无障碍传播中的落地方式，以及语音克隆拦截、验证码、内容审核和水印等治理措施。
字节 Seed 发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，端到端生成完整声音场景，并已在火山方舟体验中心上线。模型支持一条 prompt 编排对白、音效与环境声，时间控制精度达 100ms，支持零样本音色生成与参考音频延展，单次可生成约 2 分钟音频并继续延长以保持角色一致性。
推荐理由：官方披露了统一建模多要素音频、100ms 时间控制与 20+ 语种等能力，可据此判断其在配音与多语种内容生产中的可用边界。
Real World VoiceEQ 评估语音 AI 的人类交互质量，覆盖 40 多个专有和开源语音模型、15 多个维度及 60 多项指标。该基准基于超过 1 million 个人类评分，涵盖 ASR、TTS、S2S 和语音理解，结果显示不同模型在技术准确性、情绪理解、表达力与鲁棒性之间存在明显专长差异。
推荐理由：该基准将语音模型评测从 WER 和延迟扩展到情绪、身份与背景声等人类感知维度，可帮助定位真实对话中的听辨与回应短板。
ElevenLabs 宣布在加拿大正式开展业务，任命 Max Lemmens 为加拿大总经理，并计划在今年将当地团队规模扩大一倍、在多伦多开设首个加拿大办公室。公司称其在加拿大已有 30,000 名用户，TELUS Digital 使用其 AI 语音智能体进行员工培训后将入职培训时间缩短了 20%。
推荐理由：这次加拿大布局同时给出用户规模、团队扩张和本地案例，可用于观察语音 AI 的企业落地路径。
Hugging Face 与 Cerebras 演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，串联 Nvidia Parakeet 语音识别与阿里 Qwen3TTS 语音合成。
推荐理由：展示了开源级联语音到语音栈的模块化组合方式，可借鉴其用快速推理压低长尾延迟的思路。
ElevenLabs宣布扩大加州业务，计划招聘173个高薪岗位并投入数百万美元，获CalCompetes税收抵免激励。公司称将与加州探索语音 AI 在公共服务和无障碍领域的应用，并参与打击技术促成的欺诈和推进 AI 安全。
ElevenLabs 在 ElevenCreative 内推出 Ads Engine，首个能力是广告本地化，可接入 Google Ads 和 Meta Ads 账号，拉取现有素材与投放数据，同时完成文本翻译、图像适配和视频配音，再把本地化版本推回 Google、Meta 和 LinkedIn。
推荐理由：官方披露广告本地化引擎的接入方式与工作流，可据此判断多语言投放的素材生产与审片环节如何变化。
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续语音翻译的延迟取舍与多产品开放节奏，可据此判断实时语音翻译的选型与接入时机。
ElevenLabs 与英国科学、创新与技术部（DSIT）签署谅解备忘录，探索将语音 AI 用于公共服务可及性、AI 安全研究和人才培养。ElevenLabs 今年将在伦敦启用一座面积为现有办公室三倍的新总部，并将英国员工数量翻倍至 200 人；合作还将借助 ElevenLabs for Government 推进相关公共部门项目。
推荐理由：这项合作同时覆盖公共服务可及性、AI 安全研究和人才培养，并给出英国团队扩张规模，可供观察语音 AI 的政务落地路径。
ElevenLabs 在华沙举办峰会，约2,500名来自波兰和欧洲的创始人、研究人员、开发者、艺术家及机构代表参加。作为公司第三场峰会，活动将展示其迈向人类水平沟通的 AI 进展，并讨论 AI 如何打破语言障碍、让创意更易触达。
ElevenLabs 发布 Dubbing v2，通过直接参考原始表演，将语气、节奏、情绪和表达方式迁移到 90+ 种语言中。
推荐理由：Dubbing v2将原始表演纳入配音生成并自动对齐节奏，为多语言视频本地化提供了更完整的工作流参考。
ElevenLabs与希腊政府签署战略合作备忘录，将探索把语音 AI 应用于公共服务、数字旅游和希腊语言遗产保护。双方计划先从克里特方言开始，并研究在gov.gr及政府呼叫中心提供多语言服务；希腊政府数字门户目前提供超过2,200项服务。
推荐理由：三条合作路径覆盖公共服务、旅游和方言保存，可帮助判断语音 AI 走向政府场景的部署边界与合作模式。
ElevenLabs推出面向教授的语音AI支持计划，并上线基于 Albert Einstein 声音与档案的互动学习体验。教授可免费使用 Pro tier，并为特定课程和项目向学生提供限时访问。Albert Einstein 的重现声音已在 ElevenReader 和 ElevenLabs Agents 中提供，支持英语、德语、法语、巴西葡萄牙语和西班牙语。
推荐理由：同时覆盖教育者获取权限与历史声音互动两端，为课堂语音工具的接入方式和学习体验设计提供了可参考案例。
ElevenLabs宣布扩大在澳大利亚和新西兰的运营，计划在未来一年将当地团队规模扩大至原来的三倍，并增设销售和前线部署工程岗位。两地已有超过750,000名用户使用其技术，相关企业通过ElevenAgents开展外呼、客户预筛选和养老陪伴等应用。
ElevenLabs 宣布 Series D 融资完成第三次交割，并迎来 BlackRock、NVIDIA 等新投资者；公司在 2026 年前四个月的 ARR 已超过 $500 million。其称企业正将语音智能体用于客服、销售、招聘和营销等场景，另完成 $100 million tender offer，团队规模达 530 人，遍布 50 多个国家。
推荐理由：材料将融资进展与业务指标、企业落地场景放在一起，便于判断 ElevenLabs 在语音智能体商业化中的推进路径。
ElevenLabs在西班牙马德里开设办公室，并扩充当地销售与工程团队，以加强与客户合作。eDreams ODIGEO使用Eleven Agents以五种语言处理数百万次客服交互，解决速度和转接率均实现两位数提升。ElevenLabs还指出，西班牙企业正从试点转向大规模生产，多语种及地区语言支持是部署重点。
推荐理由：西班牙企业的客服、零售和保险案例，呈现了语音智能体规模化部署对多语种和人工转接的要求。
ElevenLabs宣布支持 On-Premise 和 On-Device 部署，将语音 AI 扩展到云端和 VPC 之外。On-Premise 与 On-Device 目前处于 early access，首批版本预计在 2026 年上半年推出；VPC 部署现已可用，并支持自定义声音和针对语言或方言的微调。
推荐理由：材料清晰区分了 On-Premise、On-Device 与 VPC 的部署边界，便于企业按数据驻留和离线推理需求选择方案。
字节 Seed 正式推出原生全双工语音大模型 Seeduplex，基于边听边说框架，已在豆包 App 全量上线。官方称相比上一代半双工豆包端到端语音模型，其复杂场景误回复率和误打断率减少一半，抢话比例相对下降 40%，判停 MOS 分提高 8%、对话流畅度 MOS 分提升 12%，快问快答场景时延降低约 250ms。
推荐理由：官方给出全双工语音模型的架构思路与多项对比数据，可据此判断实时语音交互的技术路线与落地进度。
ElevenLabs正式推出面向政府部门的ElevenLabs for Government，提供覆盖语音和数字渠道的多语言语音与聊天智能体服务。正文列出福利、许可、税务办理和危机热线等场景，并称捷克智能体日均处理约5,000通电话、独立解决约85%；德州Midland部署预计每月减少约7,000个漏接电话。
ElevenLabs 宣布完成 $500M Series D 融资，公司估值达到 $11B，2025 年 ARR 超过 $330M。新资金将用于扩大 ElevenAgents 企业语音与对话智能体平台、升级语音智能体，并推进情感对话模型、配音和音频通用智能研究。
推荐理由：材料同时给出融资规模、估值变化与 ElevenAgents 的产品投入方向，可用于判断语音智能体商业化与企业采用的推进路径。
ElevenLabs 与 Audi Revolut F1 Team 展开合作，探索将 AI 音频与语音生成技术用于车队运营、沟通及全球车迷连接。双方还将研究如何借助相关技术支持赛道工作，并通过数字平台和新形式改变车迷体验。
MasterClass通过 ElevenLabs Text to Speech 为 Gordon Ramsay、Mark Cuban 和 Chris Voss 等 AI 导师提供实时语音对话。上线首年超过75%的 On Call 用户通过语音互动，双方还建立了涵盖红队测试、内容审核和人工复核的安全质量框架，并探索 AI roleplay 与 ElevenLabs Agents Platform。
推荐理由：案例呈现了语音质量、低延迟、联合训练与多层安全审核如何共同支撑品牌化 AI 导师的实时交互。
Deutsche Telekom 与 ElevenLabs 宣布合作，将 ElevenLabs 的 AI voice agents 引入欧洲最大电信运营商的客户服务，覆盖 app 和电话渠道。Deutsche Telekom 客户很快将获得 24/7、无需等待的逼真 AI voice agents，以更个性化、类人的互动增强客户支持。
ElevenLabs 发布 Scribe v2，面向批量转录、字幕和听写场景，强化了长音频、停顿、语气变化、长静音及多说话人和口音的处理。Scribe v2 支持最多 100 个关键词或短语提示、最多 56 类实体检测及精确时间戳，并能自动转录单个音频文件中的多种语言。
推荐理由：Scribe v2针对长音频、多语言和复杂说话场景优化，并结合关键词提示与实体时间戳，适合评估批量转录和审片工作流。
Toyota 北加州经销商协会与创意机构 H/L 推出由 Brock Purdy AI 数字人主持的语音互动体验，基于 ElevenLabs Agents 平台运行，并通过 webhook 将语音回应与网页动画实时同步。活动上线前几周产生 12k+ 次语音互动，平均参与时长约 2 分钟，超过 25% 的对话促成提交线索表单或探索产品等行动。
推荐理由：这则案例把语音智能体、实时动画同步和线索收集串成一条营销流程，适合参考品牌互动项目的设计与衡量方式。
ElevenLabs宣布与Liberty Global Ventures达成商业合作，并获得其战略投资，以推进语音AI在欧洲电信和娱乐产品中的应用。双方将探索AI客户服务智能体、联网电视与流媒体语音界面，以及客户沟通和营销等场景；该投资由Liberty Global Ventures Partner Rebecca Hunt领投，支持ElevenLabs扩大全球基础语音模型和多语言语音AI。
推荐理由：这项合作同时覆盖战略投资与电信、娱乐落地场景，可用于观察语音 AI 从模型能力走向客户服务和电视交互的商业化路径。
Harvey 与 ElevenLabs 合作，为法律行业打造全球多语言语音能力，使 Harvey 能以数十种语言、方言或口音自然交流。首阶段将支持 Harvey 几乎以任何语言或方言朗读回答，能力由 ElevenLabs 的 Text to Speech 和 Speech to Text 驱动；后续将加入多语言语音翻译、voice mode、口头庭审模拟和语调定制。