El proyecto llama.cpp lanzó la versión b10270, introduciendo soporte para el modelo Qwen3-TTS. Esta actualización incluye un cambio disruptivo en el binario llama-tts e implementa modificaciones arquitectónicas significativas para manejar el nuevo flujo de trabajo de texto a voz.
NVIDIA ha puesto a disposición el modelo de chat de voz NemotronLabs-VoiceChat-11B en Hugging Face. El repositorio se describe como compatible con capacidades de comunicación dúplex completo.
OpenAI ha lanzado GPT-Live, un sistema de voz de tercera generación que elimina el detector de turno tradicional mediante un modelo full-dúplex capaz de escuchar y hablar simultáneamente. Esta arquitectura permite conversaciones más inmediatas y naturales mientras mantiene una baja latencia gracias a un nuevo diseño del sistema optimizado para el rendimiento en tiempo real.
Un investigador ha publicado el catálogo de investigación OpenGauntlet, un recurso público que contiene información sobre 168 sistemas de texto a voz (TTS) y 106 sistemas de voz a texto (STT). Los directorios cubren modelos de código abierto y alojados, licencias, requisitos de hardware, idiomas, capacidades, estado del ciclo de vida, información de origen y datos de benchmark publicados cuando están disponibles.
PolyAI ha presentado Dialog-RSN-1, un modelo de diálogo que procesa el audio crudo del llamante directamente en lugar de depender de transcripciones. Fusiona el turno de palabra, el reconocimiento de voz, la llamada a funciones y la generación de respuestas en un único sistema consciente del audio.
xAI ha anunciado Grok Voice Think Fast 2.0, un modelo de voz de próxima generación de voz a voz diseñado para mejorar la inteligencia, la precisión de la transcripción y las capacidades conversacionales. La actualización se basa en su predecesor introduciendo mejoras significativas en el razonamiento del habla, la capacidad conversacional y la fiabilidad del uso de herramientas.
Google ha lanzado su modelo de generación de música más reciente, Lyria 3.5, dentro de Google Flow Music para ayudar a los usuarios a crear pistas más ricas con mayor control creativo.
El laboratorio Tongyi de Alibaba ha lanzado Qwen-Audio-3.0-TTS, un sistema de texto a voz alojado disponible en dos variantes: Flash para interacción en tiempo real y Plus para generación de alta calidad. Ambas versiones se entregan a través de Alibaba Cloud Model Studio en lugar de como pesos descargables.
OpenAI ha lanzado GPT-Live-1 y GPT-Live-1 mini para impulsar una versión reconstruida de ChatGPT Voice, introduciendo procesamiento de audio full-dúplex que permite escuchar y hablar simultáneamente. El sistema delega consultas complejas en modelos de razonamiento en segundo plano como GPT-5.5, lo que permite conversaciones continuas mientras ocurre un pensamiento más profundo.
NymphTech está buscando recomendaciones de modelos de clonación de voz y síntesis de habla de alta gama para mejorar su red de estaciones de radio con IA, apuntando específicamente a múltiples idiomas y transmisiones de formato largo. La empresa ya ha lanzado una plataforma que presenta personalidades persistentes de IA como Trinity y Mark, con Trinity transmitiendo continuamente desde el 9 de junio.
Los investigadores proponen un marco que utiliza modelos de lenguaje grandes conscientes del audio (ALLMs) como jueces de retroalimentación fina para verificar la presencia de eventos objetivo y las relaciones temporales en el audio generado. Este enfoque aborda la brecha donde los modelos existentes de texto a audio a menudo no siguen instrucciones que involucran múltiples eventos sonoros y su orden.
Un estudio audita los atajos a nivel de protocolo en modelos de lenguaje grandes para audio (LALMs) utilizados como jueces automáticos para la evaluación del habla, revelando que un alto acuerdo con las calificaciones humanas no garantiza que los veredictos estén fundamentados en el audio real. La investigación examina tres protocolos de implementación: juzgamiento por esquema de características, juzgamiento condicionado a referencia y comparación A/B por pares entre seis jueces y cuatro atributos.
El estudio investiga el uso de la alineación temporal dinámica (DTW) en representaciones autovigilantes de WavLM para evaluar la precisión fonética, el ritmo y la entonación en habla L2 en inglés y japonés sin requerir datos de entrenamiento etiquetados. El enfoque básico de DTW que compara el habla del aprendiz con plantillas nativas supera el acuerdo humano en la puntuación fonética holística y a nivel de oración.
El marco de código abierto Audient proporciona una capa de percepción de audio local para agentes LLM que procesa continuamente el sonido y construye una memoria de conceptos mediante su uso. Utiliza CLAP embeddings, Whisper, Silero VAD y sqlite-vec para filtrar, identificar y reconocer eventos de audio sin requerir llamadas constantes a LLM.
Los investigadores demuestran que un modelo de lenguaje de difusión discreta puede transcribir voz refinando toda la transcripción en paralelo durante un pequeño número de pasos de denoising, en lugar de usar decodificadores autoregresivos.
Hume ha presentado Real World VoiceEQ, un benchmark diseñado para evaluar la calidad humana de la interacción por voz mediante la evaluación de cuán bien los sistemas reconocen y producen información acústica más allá de las transcripciones. El benchmark evalúa más de 40 modelos propietarios y de código abierto en más de 15 dimensiones utilizando más de 60 métricas derivadas de 785,000 valoraciones humanas de TTS y 48,000 de STS.
El proyecto audio.cpp ha lanzado la versión 0.3, introduciendo cinco nuevos modelos de texto a voz: Supertonic 3, MOSS-TTS-Local, MOSS-TTS-Nano, IndexTTS2 e Irodori-TTS. La actualización también añade soporte GGUF, que se implementará modelo por modelo.
Los investigadores proponen la Proyección de Gradiente Unificada (UGP), un método para mitigar el olvido catastrófico al ajustar modelos grandes de ASR previamente entrenados como Whisper en idiomas con pocos recursos. UGP restringe las actualizaciones de parámetros utilizando gradientes de referencia del repliegue equilibrado por idioma dentro de un espacio de proyección unificado, igualando efectivamente las contribuciones por idioma y reduciendo el sesgo del idioma dominante.
El autor presenta Cicero, un proyecto de código abierto que proporciona interacción de voz bidireccional autoalojada para agentes de IA. A diferencia de las herramientas de dictado unidireccionales, Cicero permite que los agentes hablen y llamen a los usuarios a través de Telegram, manteniendo todo el audio local.
Un desarrollador en los foros de Hugging Face busca entender cómo plataformas de producción como Bland.ai, Retell y Vapi gestionan la orquestación de prompts sin depender de prompts de sistema masivos escritos a mano. El autor describe su implementación actual usando FastAPI, Sarvam STT/TTS y Pipecat SmartTurn V3, señalando que la inyección manual por estado conduce a una complejidad creciente y fallos en casos límite.