声音、音乐、配音、数字人和多语言制作。
Soundwich 提出一种无需训练的框架，将冻结的联合音视频 flow-matching 模型转化为可生成多条同步、可独立编辑音频轨道的系统。框架通过共享场景表示传递全局视听上下文，并让每条音频轨道与对应视觉来源进行跨模态交互，以保持声音与视频协调。论文称实验和人工评估显示其在时间控制、来源分离和自然度方面有所改善，生成的音频轨道可独立调整时序、静音、替换或重混。
推荐理由：论文展示了如何在不训练新模型的情况下，把单一混音拆成可独立编辑的同步音频轨道，为音视频生成的后期重混与来源级控制提供参考。
Tavus推出 Griffin，这是一种面向实时面对面交流的 Human Interaction Model；Tavus称其研究中有48%的参与者在一分钟视频通话后相信 Griffin 是真人。
推荐理由：材料提供了 Griffin 与真人及上一代 AI 的对照数据，并交代了研究预览的开放范围和安全前提，便于判断其当前成熟度。
论文提出 Audible World Models，一种 training-free 框架，可从文本提示构建全景 3D proxy，将声音源锚定到重建几何，并根据听者视点和运动渲染空间音频。对 80 个生成场景的实验显示，该方法在空间一致性上优于文本、视频和全景图条件基线，同时保持有竞争力的语义对齐；论文已被 NeurIPS 2026 接收。
推荐理由：论文将声音源位置、3D 几何与几何声学传播纳入世界状态，为构建随观察者移动而变化且保持空间一致性的多模态世界模型提供了可复用路线。
可灵发布一篇 2026 年 UGC 视频生成工具指南，对比 Kling AI、Higgsfield、Dreamina、HeyGen 和 CapCut 在场景生成、数字人呈现与视频组装等工作流中的适用方向，强调这不是基准排名。
推荐理由：文章按产品场景、脚本呈现与后期组装拆分工具差异，并给出从参考素材到审片修复的 Kling AI UGC 工作流，便于评估商品保真与制作成本。
Kling 4.0将于2026年10月正式发布，原生视频生成时长从3–15秒扩展至3–30秒，并支持最多10个关键帧。新版本还支持最多15个组合参考资产、10-bit HDR、双声道立体声和定向多模态视频编辑。Kling 4.0 Flash已于9月28日向有限用户开放提前体验。
推荐理由：这篇对比把时长、关键帧、参考资产和视频编辑放在同一框架中，便于按项目复杂度选择 Kling 3.0 或 4.0。
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。
论文提出HelixWorld，使视觉场景与基于相机的空间立体声音在用户交互下共同演化。研究通过6-DoF相机轨迹和用户动作进行训练，并将模型蒸馏为低延迟流式模型，在单GPU上以24 FPS生成无漂移的音视频轨迹。论文还提出空间声学一致性与HelixBench，用于评估声音场是否跟随动态视点变化。
推荐理由：论文将空间立体声纳入实时世界模型，并以24 FPS单GPU交互和HelixBench展示音画协同建模与评测路径。
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。
ElevenLabs 与环球音乐集团（UMG）宣布达成多年授权协议和战略合作，这是 ElevenLabs 首次与主流唱片公司签约，涵盖音乐授权与产品开发。双方将共同为艺人和词曲作者开发 AI 音频产品，并推出一个面向粉丝的 AI 音乐创作平台，支持对参与艺人的曲目进行混音、串烧、新演绎和个性化人声体验。
推荐理由：ElevenLabs 与 UMG 的授权合作给出了 AI 音乐平台在版权与分成上的落地路径，可供判断音乐生成产品的合规边界。
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。
HeyGen 2026 年自助定价从免费到 Business $149/月，Creator 为 $29/月并含 600 credits，Enterprise 采用定制价格。
推荐理由：文章把 HeyGen 的订阅费换算为不同 Avatar 和 Look 的制作成本，并列出团队席位、额度限制与工作流分工，适合做工具预算比较。
Runway 发布 GWM Worlds 2 研究预览，这是 GWM Worlds 的下一代实时交互世界模型，可实时生成 720p、24 fps 视频与 48,000 Hz 音频，并响应用户输入。
推荐理由：Runway 公开了实时交互世界模型的架构与限制，可据此判断实时生成在游戏和智能体仿真中的可用边界。
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。
Diffusers 0.40.0 发布，新增 LTX-2.5、MiniMax-H3、MiniMax Music 3、Stable Audio 3、Wan-Animate-2、JoyAI-Image-Edit-Plus 等管线，Modular Diffusers 结束实验阶段转为稳定支持。
推荐理由：Diffusers 0.40.0 的发布说明列出了新增视频与音频管线、张量并行和量化后端，可据此判断多模态生成与部署选型。
ComfyUI 与 MiniMax 团队发起 H3 音画同步社区挑战赛，要求参赛者用 H3 在同一轮生成视频和同步音频，作品最长 90 秒且每人限投一次。参赛者还需提交实际的 ComfyUI `.json` 工作流，活动支持本地运行或 Comfy Cloud，9/2 公布结果。
推荐理由：挑战同时要求 H3 在同一轮生成音频与视频，并提交可复现的 ComfyUI 工作流，呈现了音画同步创作的实践约束。