ElevenLabs 发布语音模型 Eleven v4，能更准确地遵循脚本中的情绪、停顿和音效标签，并在长内容制作中保持音色一致。新架构同时支撑 Turbo 版本，官方测试中约 150 毫秒开始输出语音，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。
推荐理由：Eleven v4 在语音一致性与实时延迟上的具体指标，可供做语音智能体和配音的团队比较选型。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音对话结合，为对话模型带来近实时的视觉形象，具备精准唇形同步、自然表情和流畅轮次切换。
推荐理由：官方给出 Live Avatar 的实时视频对话、异步工具调用与 97 种语言同步等能力边界，可据此判断企业级数字人对话的可用形态。
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演指导，后者面向高并发、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中的分工。
Google DeepMind 发布两款实时对话模型 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：官方给出两款语音模型的基准成绩与开放入口，可据此判断实时语音智能体的能力水位。