NVIDIA推出Nemotron 3 Nano Omni模型，将视觉、音频和语言整合为一个系统，显著提升AI代理的效率和准确性。该模型具备高达9倍的处理能力，适用于客户支持、文档智能和音视频理解等领域，并支持开放定制，适合多种部署环境。

MOSS-Audio是一个开源音频理解模型，集成了语音转录、情感分析和环境声音理解等功能。其模块化设计包括音频编码器和大型语言模型，采用DeepStack跨层特征注入和时间感知表示技术，显著提升了音频处理能力。MOSS-Audio-8B-Thinking在音频理解基准测试中表现优异，准确率达到71.08%。

本文介绍了StereoFoley框架，该框架能够从视频生成语义对齐、时间同步和空间准确的立体音频。该模型克服了现有数据集的限制，通过合成数据生成管道实现对象感知的立体声音。研究还引入了立体对象感知度量，并通过人类听觉研究验证了其有效性，建立了视频到音频生成的新基准。

Beats推出了一款3米USB-C转USB-C连接线，售价229元，支持高达240瓦的快速充电，兼容所有USB-C设备，适用于充电、同步和音频聆听。

小米人工智能实验室推出了OmniVoice，这是一款支持600多种语言的零样本文本转语音（TTS）模型。该模型采用单阶段框架，直接将文本映射为声学标记，基于58.1万小时的开源数据训练，广泛覆盖语言，并提升了对低资源语言的支持。

NVIDIA与马里兰大学推出了Audio Flamingo Next（AF-Next），这是一个开放的大型音频语言模型，旨在提升音频理解能力。AF-Next有三种版本，分别用于问答、多步骤推理和音频字幕生成。该模型通过时间音频思维链技术，能够更准确地处理长达30分钟的录音，并在长音频理解和音乐识别方面表现优异。

互联流媒体公司Stingray与Anuvu合作，将音视频服务引入全球邮轮，Anuvu成为Stingray在邮轮行业的官方分销伙伴，新增15个频道，提升乘客体验。

本文提出了声学邻居嵌入的理论框架，解释了可变宽度音频或文本的音素内容在固定维度嵌入空间中的表示。通过定量定义词语音素相似性，提出了嵌入距离的概率解释。研究表明，该框架可用于音频和文本嵌入的最近邻搜索，分类准确率与有限状态转换器相同，并在词汇恢复和方言聚类中表现优异。所有源代码和预训练模型均已提供。

自2000年代初，蓝牙成为无线音频主流技术。2022年推出的LE Audio基于低功耗蓝牙，重构音频架构，解决音质、功耗和多设备流媒体问题。新编码器LC3提供更佳音质，支持多流音频和Auracast广播功能，提升耳机和助听器的使用体验。

Mistral发布了Voxtral-4B-TTS-2603模型，旨在提升多语言语音生成的自然度和效率。该模型结合了语义自回归和声学流匹配，支持低延迟本地运行，展现出良好的泛化能力。

OBS Studio 32.1.1 发布，修复了音频混合器和工具提示等问题，改进了音频去重功能，新增 WebRTC 支持，并更新了编辑变换对话框和插件管理器。可在 GitHub 下载，支持 Ubuntu、Windows 和 macOS。

RAVATAR于2026年3月24日宣布，其Genesis AI Avatar Studio集成了Gemini Native Audio，提升了语音交互的自然性和响应速度，满足客户对情感化和即时互动的需求。这一技术基于Google Cloud，扩展了RAVATAR在多个领域的应用，助力企业数字化转型。

Sonos推出多款音频产品折扣，包括Ace无线耳机（299美元）、Roam 2扬声器（139美元）和Move 2扬声器（399美元）。Roam 2新增蓝牙连接按钮，Move 2具备更长电池续航和立体声效果。此外，Sonos Beam音响降至369美元，Sub Mini低音炮为399美元。

FFmpeg 8.1将于2026年3月16日发布，新增xHE-AAC解码、JPEG-XS支持和Vulkan编解码器，提升多媒体处理能力并修复错误。

谷歌推出Gemini Embedding 2，这是首个原生多模态嵌入模型，能够将文本、图像、视频、音频和文档映射到同一语义空间，提升AI Agent对现实世界的理解，为多模态应用奠定基础。

谷歌发布了Gemini Embedding 2，这是首个原生多模态嵌入模型，能够将文本、图像、视频和音频映射到3072维向量空间。音频嵌入以固定长度的向量表示，捕捉声音的语义内容，实现跨模态检索。研究显示，模块组合方法在小模型中表现优异，音频嵌入在智能系统、实时监控和多模态工作流中有广泛应用。