AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Google DeepMind 发布 Lyria 3 Pro，支持创作最长 3 分钟的曲目，能理解音乐结构并通过提示词指定前奏、主歌、副歌和桥段。该模型已在 Vertex AI 公开预览，并接入 Google AI Studio、Gemini app、Google Vids 与 ProducerAI 等更多产品。
推荐理由：官方说明了 Lyria 3 Pro 的 3 分钟曲目长度与结构感知能力，并给出各端上线入口，读者可据此判断音乐生成工作流的变化。
Google DeepMind 在 Gemini 应用中推出最新的生成式音乐模型 Lyria 3，用户通过描述想法或上传照片即可在数秒内生成 30 秒的高质量音乐曲目。
推荐理由：原文说明了 Lyria 3 的文本与图片生成音乐能力及 SynthID 水印验证，读者可据此判断其在 Gemini 应用中的实际可用范围。
Google DeepMind 发布更新版 Gemini 2.5 Flash Native Audio 模型，提升复杂工作流处理、指令遵循和多轮对话能力。该模型已在 Google AI Studio、Vertex AI、Gemini Live 和 Search Live 上线。
推荐理由：原文列出了音频模型在函数调用和指令遵循上的基准提升，并说明实时语音翻译的语言覆盖范围，便于评估其在语音场景的可用性。
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并为 Realtime API 新增 MCP server 支持、图片输入与 SIP 电话呼叫支持。
推荐理由：官方公布 gpt-realtime 语音模型与 Realtime API 更新，读者可据此判断语音交互结合 MCP 与图片输入后的应用空间。
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如像有同理心的客服一样表达，为语音智能体解锁新的定制能力。
推荐理由：原文介绍了文本转语音模型新增的指令式语气定制能力，开发者可据此判断语音智能体的定制空间。
OpenAI 推出 Realtime API，开发者现在可以在自己的应用中构建快速的语音到语音体验。详情见 https://openai.com/index/introducing-the-realtime-api
推荐理由：OpenAI 向开发者开放语音到语音的实时接口，可直接在应用中集成快速语音对话体验。
OpenAI 官方宣布 ChatGPT 现在可以看、听和说，新增了图像与语音相关能力。
推荐理由：OpenAI 官方宣布 ChatGPT 新增看、听、说能力，读者可据此了解其在图像与语音交互上的使用方式变化。
OpenAI 推出 ChatGPT iOS 应用。该应用支持对话同步与语音输入，并集成最新的模型改进。
推荐理由：官方宣布 ChatGPT iOS 应用发布，支持对话同步与语音输入，读者可据此了解该应用的核心功能。
OpenAI 训练并开源了名为 Whisper 的神经网络，称其在英语语音识别上的鲁棒性和准确率接近人类水平。
推荐理由：Whisper 以开源形式发布，读者可直接获取模型并评估其在英语语音识别场景中的实际表现。
OpenAI 发布 Jukebox，这是一个能按多种流派和艺人风格生成原始音频音乐、包括简单演唱的神经网络。官方同时开源了模型权重和代码，并发布了一款用于浏览生成样本的工具。
推荐理由：原文给出了模型按流派和艺人风格生成原始音频的能力，以及开源权重、代码和试听工具，读者可据此判断它在音乐创作流程中的可用性。