أطلقت جوجل نموذجين جديدين لتحويل النص إلى كلام، هما جيمياني 3.8 فلاش TTS وجيمياني 3.8 فلاش-لايت TTS، مما يوسع عائلة جيمياني أودييو ليوفر قدرات توليد صوت ديناميكية للمبدعين والمطورين والشركات.
أطلقت xAI نموذج Grok Voice Transcribe 2.0، وهو نموذج لتحويل الكلام إلى نص يكون أكثر دقة مرتين من الإصدار 1.0 مع الحفاظ على نفس السعر. مبني على النموذج الأساسي للصوت وراء Grok Voice، يستفيد من مجموعة بيانات فريدة من الصوت متعدد اللغات المباشر والمليء بالضوضاء للتعامل مع ظروف العالم الحقيقي الصعبة مثل خطوط الهاتف غير المستمرة والأصوات المتنافسة.
أطلقت OpenAI نموذج GPT-Live-1 في واجهة برمجة التطبيقات، مما يوفر للمطورين نموذجاً واحداً قادراً على الاستماع والتحدث في وقت واحد لبناء تطبيقات مدعومة بالصوت. تهدف هذه الإصدار إلى تبسيط تطوير طبقة الصوت من خلال استبدال البنى المتسلسلة التقليدية بنهج موحد يتعامل مع المقاطعات والسياق بشكل أكثر طبيعية.
تُفيد جوجل بأن تقنياتها تدعم الآن أكثر من 300 لغة لأكثر من 7 مليارات شخص، وتُطلق أدوات جديدة لتحسين فهم الكلام، وجمع البيانات للغة الممثلة تمثيلاً ناقصاً، وإمكانية الوصول.
أطلقت Google نموذج Gemini 3.8 Flash TTS و Flash-Lite TTS عبر واجهة Gemini API ومنصة AI Studio، محققةً المراكز الأولى في معيار Hume لتصميم الصوت وساحة Voice Arena عبر ست لغات.
أعلنت جوجل عن إطلاق Gemini 3.8 Live وGemini 3.8 Live Extended Thinking، وهما نماذج أصلية لتحويل الكلام إلى كلام مصممة لوكلاء الصوت في الوقت الفعلي الذين يعقلون وينفذون الأدوات دون مقاطعة تدفق المحادثة.
تم إصدار لوحة المتصدرين المفتوحة لأنظمة تحويل النص إلى كلام (TTS) لمعالجة التشتت ونقص المعايير في تقييم هذه الأنظمة، وذلك باستخدام مقاييس موضوعية بدلاً من الاعتماد حصرياً على درجات تفضيل البشر البطيئة والمعتمدة على قاعات التصويت. وتقوم بتقييم النماذج من حيث الوضوح والسرعة وتشابه المتحدثين باستخدام نماذج Qwen3 ASR وتضمينات WavLM.
أطلقت فريق كوين التابع لألبابا مجموعة نماذج صوتية مكونة من خمسة نماذج، تشمل Qwen-Audio-3.1-Realtime-plus الجديد، وهو نموذج كلام ثنائي الاتجاه مصمم لوكلاء الصوت القادرين على الاستدلال واستخدام الأدوات. كما يتضمن الإطلاق تخفيضات في الأسعار تصل إلى 95% على خدمات التعرف التلقائي على الكلام (ASR).
أصدر مشروع llama.cpp الإصدار b11190، والذي يتضمن إصلاحًا لمعالج mel المستخدم في نموذج الصوت LFM2. يعالج هذا التغيير الاختلافات التي تسببت في نصوص استنساخ جشعة مختلفة لـ 4.5% من الإنجليزية و6.5% من عبارات الاختبار اليابانية.
أطلقت جوجل نموذجين جديدين لتحويل النص إلى كلام، هما Gemini 3.8 Flash TTS وGemini 3.8 Flash-Lite TTS، كجزء من عائلة Gemini Audio. تقدم هذه النماذج تصميمًا صوتيًا مولدًا من مطالبات باللغة الطبيعية وتوجيه الأداء سطرًا بسطر عبر Gemini API وGoogle AI Studio.
أطلقت إنفidia نموذج Nemotron 3 Diarization، وهو نموذج مفتوح الأوزان لتصنيف المتحدثين، متاح على Hugging Face بموجب ترخيص OpenMDW الإصدار 1.1. يتعقب النموذج ذو الـ 100 مليون معلمة ما يصل إلى 8 متحدثين متداخلين في الوقت الفعلي أو في الأوضاع غير المتزامنة باستخدام نقطة تفتيش واحدة.
أطلقت جوجل نموذجين جديدين لتحويل النص إلى كلام، هما gemini-3.8-flash-tts وgemini-3.8-flash-lite-tts، مع مكتبة تضم أكثر من 2000 صوت.
أطلقت شركة نفيديا نموذج Nemotron 3 Diarization، وهو نموذج مفتوح الأوزان يحتوي على 100 مليون معامل، مصمم لتمييز المتحدثين في الوقت الفعلي ويدعم ما يصل إلى ثمانية متحدثين. يحتل النموذج المرتبة الأولى على لوحة المتصدرين لـ VoiceArena's Diarization-Bench بمعدل خطأ تمييز (DER) يبلغ 14.72٪، متفوقًا على النظام التالي بنسبة تخفيض نسبية تقارب 24٪.
أعلنت NemotronLabs عن إطلاق VoiceChat، وهو نموذج مفتوح الأوزان للتحويل من الكلام إلى كلام يعمل بنظام الاتصال الكامل (full-duplex)، مصمم لدمج الاستماع، والنسخ، والاستدلال، والتحدث ضمن بنية دفق موحدة. يجمع النظام بين مشفر صوتي للدفق ومُفسّر لغة يعتمد على نموذج لغوي فقط (decoder-only) مع تدفقات إخراج متخصصة متوازية للنص الوكيل والمكالمات الدالية المهيكلة، بالإضافة إلى فرع مساعد من نوع RNN-T للنسخ التدريجي للمستخدم.
أعلنت NemotronLabs عن إطلاق NemotronLabs VoiceChat، وهو نموذج مفتوح الأوزان للتحويل من الكلام إلى كلام يعمل بنظام الاتصال الكامل (full-duplex)، يدمج قدرات استدعاء الأدوات بشكل أصيل ضمن بنية تدفق موحدة. يجمع النظام بين مشفر كلام متدفق ونموذج لغوي يعتمد على فك التشفير فقط، مع تدفقات إخراج متوازية لنص الوكيل والمكالمات الدالية المهيكلة، بالإضافة إلى فرع RNN-T مساعد للنسخ التدريجي ومُشفر TTS متدفق.
أطلقت SpaceXAI نموذج Grok Voice Transcribe 2.0، وهو نموذج لتحويل الكلام إلى نص متاح عبر واجهة برمجة تطبيقات مستضافة، يدّعي تحقيق دقة أعلى بمرتين مقارنةً بالإصدار 1.0 عند نفس نقطة السعر. يستهدف النموذج ظروف الصوت الصعبة مثل خطوط الهاتف المشوشة والأصوات المتداخلة، ويعمل في كل من وضعي المعالجة الدفعي والبث المباشر.
أطلقت جوجل نموذجين جديدين لتحويل الكلام إلى كلام، هما Gemini 3.8 Live و Gemini 3.8 Live Extended Thinking، وهما متشابهان في الشكل مع نماذج GPT-Live من OpenAI.
يسأل مطور ذكاء اصطناعي عن نصائح معمارية لبناء نظام ذكاء اصطناعي صوتي في الوقت الفعلي يحقق زمن استجابة للرمز الأول حوالي 500 مللي ثانية أو أقل، مع الحفاظ على الفعالية من حيث التكلفة والقابلية للتوسع.
يصف ايدن بنية للوكلاء تتطلب محادثة صوتية كاملة التوجيه (full-duplex) جنبًا إلى جنب مع الاستدلال البصري المعقد وإجراءات الجهاز، متجنبًا قيود نموذج واحد يعالج الاثنين. تقسم الحل المسؤوليات: يدير نموذج الصوت في الوقت الفعلي المحادثة بينما يقوم نموذج منفصل وأقوى بتنفيذ المهام الخلفية، بالتنسيق غير المتزامن عبر طابور المهام.
أطلق مستخدم F-0310، وهو غلاف خالٍ من التبعيات يتيح النشر المحلي الكامل لـ Coqui XTTS-v2 و Qwen 2.5 على Windows دون الحاجة إلى واجهات برمجة التطبيقات السحابية.