أطلقت OpenAI نظام GPT-Live، وهو الجيل الثالث من الأنظمة الصوتية الذي يلغي كاشف تبادل الأدوار التقليدي باستخدام نموذج ثنائي الاتجاه قادر على الاستماع والتحدث في وقت واحد. يسمح هذا التصميم بمحادثات أكثر فورية وطبيعية مع الحفاظ على زمن انتقال منخفض من خلال تصميم نظام جديد مُحسّن للأداء في الوقت الفعلي.
أعلنت xAI عن إطلاق Grok Voice Think Fast 2.0، وهو نموذج صوتي من الجيل التالي لتحويل الكلام إلى كلام صُمم لتعزيز الذكاء ودقة النسخ والقدرات الحوارية. يبني هذا التحديث على سلفه بإدخال مكاسب ملموسة في الاستدلال الصوتي والقدرة الحوارية وموثوقية استخدام الأدوات.
أطلقت جوجل أحدث نموذج لتوليد الموسيقى الخاص بها، Lyria 3.5، ضمن Google Flow Music لمساعدة المستخدمين على إنشاء مقاطع أغنية أكثر ثراءً مع تحكم إبداعي أكبر.
أطلقت OpenAI نموذجي GPT-Live-1 وGPT-Live-1 mini لتشغيل نسخة مُعاد بناؤها من ChatGPT Voice، مقدمةً معالجة صوتية ثنائية الاتجاه تتيح الاستماع والتحدث في وقت واحد. يعهد النظام المهام المعقدة إلى نماذج استدلال خلفية مثل GPT-5.5، مما يتيح محادثة مستمرة بينما يحدث تفكير أعمق.
أصدر مشروع llama.cpp الإصدار b10369، مقدمًا دعمًا لنموذج تحويل النص إلى كلام pocket-tts. يتضمن هذا التحديث تنفيذًا جديدًا للتلافيف المعكوسة باستخدام GEMM وcol2im لتحسين الأداء.
أطلقت NVIDIA تحديثًا لنموذجها متعدد اللغات Magpie Multilingual TTS، حيث توسع الدعم ليشمل اثني عشر لغة بإضافة العربية الفصحى الحديثة والكورية والبرتغالية البرازيلية. يتضمن التحديث أيضًا تحسينات في الجودة عبر اللغات الحالية من خلال بيانات تدريب محدثة وتغييرات معمارية.
أطلقت NVIDIA نموذج NemotronLabs VoiceChat 11B، وهو نموذج مفتوح المصدر يتكون من 11 مليار معامل لتحويل الكلام إلى كلام بشكل متكامل، ومصمم للمحادثات في الوقت الفعلي وبكامل الاتجاه. وعلى عكس السلاسل المتسلسلة التي تربط بين نماذج التعرف على الكلام (ASR)، والنماذج اللغوية الكبيرة (LLM)، وتوليف الكلام (TTS)، يقوم هذا الشبكة الموحدة بفهم الكلام وتوليده بشكل متدفق في آن واحد، محققةً زمن تبديل أدوار سلساً مقاساً يبلغ 448 مللي ثانية على معيار Full-Duplex-Bench 1.0.
أصدر مشروع llama.cpp الإصدار b10270، مقدمًا دعمًا لنموذج Qwen3-TTS. يتضمن هذا التحديث تغييرًا كاسرًا لملف llama-tثنائي وينفذ تعديلات هيكلية كبيرة للتعامل مع سير العمل الجديد لتحويل النص إلى كلام.
أطلقت NVIDIA نموذج الدردشة الصوتية NemotronLabs-VoiceChat-11B على Hugging Face. يُوصف المستوداع بأنه يدعم قدرات الاتصال ثنائي الاتجاه الكامل.
نشر باحث كتالوج أبحاث OpenGauntlet، وهو مورد عام يحتوي على معلومات حول 168 نظامًا لتحويل النص إلى كلام (TTS) و106 أنظمة لتحويل الكلام إلى نص (STT). تغطي الدلائل النماذج مفتوحة المصدر والمُستضافة، والتراخيص، ومتطلبات الأجهزة، واللغات، والقدرات، وحالة دورة الحياة، ومعلومات المصدر، وبيانات المعايير المنشورة حيثما كانت متاحة.
أطلقت PolyAI نموذج Dialog-RSN-1، وهو نموذج محدد للمحادثة يعالج الصوت الخام للمتصل مباشرةً بدلاً من الاعتماد على النصوص. يدمج تبادل الأدوار، التعرف على الكلام، استدعاء الوظائف، وتوليد الردود في نظام واحد واعٍ للصوت.
أطلق مختبر تونغوي التابع لشركة علي بابا نظام Qwen-Audio-3.0-TTS، وهو نظام مستضاف لتحويل النص إلى كلام، متوفر بنسختين: فلاش للتفاعل في الوقت الفعلي، وبلاس للجيل عالي الجودة. يتم تقديم كلتا الطبقتين عبر منصة Alibaba Cloud Model Studio بدلاً من أوزان قابلة للتنزيل.
تبحث NymphTech عن توصيات لنماذج استنساخ الصوت وتوليف الكلام عالية المستوى لتعزيز شبكتها من محطات الراديو بالذكاء الاصطناعي، مع التركيز بشكل خاص على عدة لغات والبث طويل المدى. أطلقت الشركة بالفعل منصة تتميز بشخصيات ذكاء اصطناعي مستمرة مثل Trinity وMark، حيث تبث Trinity باستمرار منذ 9 يونيو.