Google ha lanzado Gemini 3.5 Transcribe, un modelo de voz a texto diseñado para interacciones de voz inteligentes que convierte audio sin procesar en texto preciso y pulido, manejando el ruido de fondo y las disfluencias.
Google ha lanzado dos nuevos modelos de texto a voz, Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS, ampliando la familia Gemini Audio para ofrecer capacidades de generación de voz dinámica para creadores, desarrolladores y empresas.
xAI ha lanzado Grok Voice Transcribe 2.0, un modelo de voz a texto que es el doble de preciso que la versión 1.0 mientras mantiene el mismo precio. Construido sobre el modelo base de audio detrás de Grok Voice, aprovecha un conjunto de datos único de audio multilingüe en vivo y ruidoso para manejar condiciones del mundo real desafiantes como líneas telefónicas inestables y voces competitivas.
OpenAI ha lanzado GPT-Live-1 en la API, proporcionando a los desarrolladores un único modelo capaz de escuchar y hablar simultáneamente para construir aplicaciones habilitadas por voz. Este lanzamiento tiene como objetivo simplificar el desarrollo de la capa de voz reemplazando las arquitecturas encadenadas tradicionales con un enfoque unificado que maneja interrupciones y contexto de manera más natural.
Google informa que sus tecnologías ahora admiten más de 300 idiomas para más de 7 mil millones de personas, presentando nuevas herramientas para mejorar la comprensión del habla, la recopilación de datos para idiomas subrepresentados y la accesibilidad.
Google ha presentado Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, modelos nativos de voz a voz diseñados para agentes de voz en tiempo real que razonan y ejecutan herramientas sin interrumpir el flujo conversacional.
Google AI ha lanzado Gemini 3.5 Transcribe, un modelo de voz a texto disponible a través de dos puntos de conexión de API distintos: la API de Interacciones para archivos pregrabados y la API en Vivo para transmisión en tiempo real.
NVIDIA ha lanzado Nemotron 3 Diarization, un modelo de diarización de hablantes con pesos abiertos disponible en Hugging Face bajo la Licencia OpenMDW 1.1. El modelo de 100M parámetros rastrea hasta 8 hablantes superpuestos en tiempo real o en modo offline utilizando un único punto de control.
Google ha lanzado dos nuevos modelos de texto a voz: gemini-3.8-flash-tts y gemini-3.8-flash-lite-tts, que cuentan con una biblioteca de más de 2000 voces.
NVIDIA ha lanzado Nemotron 3 Diarization, un modelo de pesos abiertos con 100M de parámetros para diarización de hablantes en tiempo real que admite hasta ocho hablantes. El modelo ocupa el puesto #1 en la lista de clasificación Diarization-Bench de VoiceArena con una Tasa de Error de Diarización (DER) del 14.72%, superando al siguiente sistema clasificado con una reducción relativa aproximada del 24%.
NemotronLabs ha presentado VoiceChat, un modelo de código abierto de peso completo para conversión de voz a voz en dúplex completo, diseñado para integrar la escucha, la transcripción, el razonamiento y la habla dentro de una arquitectura de transmisión unificada. El sistema combina un codificador de voz en streaming y un modelo de lenguaje solo-decodificador con flujos de salida especializados en paralelo para texto de agente y llamadas de función estructuradas, junto con una rama RNN-T auxiliar para transcripción incremental del usuario.
NemotronLabs ha presentado NemotronLabs VoiceChat, un modelo de voz a voz full-dúplex de pesos abiertos que integra capacidades nativas de llamada a herramientas dentro de una arquitectura de transmisión unificada. El sistema combina un codificador de audio en streaming y un modelo de lenguaje solo-decodificador con flujos de salida paralelos para texto del agente y llamadas a funciones estructuradas, junto con una rama RNN-T auxiliar para transcripción incremental y un decodificador TTS en streaming.
SpaceXAI ha lanzado Grok Voice Transcribe 2.0, un modelo de voz a texto disponible a través de una API alojada que afirma tener el doble de precisión que la versión 1.0 al mismo precio. El modelo está diseñado para condiciones de audio difíciles, como líneas telefónicas ruidosas y voces en competencia, y funciona tanto en modo por lotes como en transmisión en tiempo real.
Google ha lanzado dos nuevos modelos de voz a voz, Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, que son similares en estructura a los modelos GPT-Live de OpenAI.
Un desarrollador de IA está solicitando asesoramiento arquitectónico para construir un sistema de IA de voz en tiempo real que logre una latencia del primer token de aproximadamente 500 ms o menos, manteniéndose a la vez rentable y escalable.
Aiden describe una arquitectura para agentes que requiere conversación de voz full-duplex junto con razonamiento visual complejo y acciones del dispositivo, evitando la limitación de un único modelo que maneje ambas cosas. La solución divide las responsabilidades: un modelo de voz en tiempo real gestiona la conversación mientras un modelo separado y más potente ejecuta tareas en segundo plano, coordinándose asíncronamente a través de una cola de tareas.
Un usuario ha lanzado F-0310, un envoltorio sin dependencias que permite el despliegue completamente local de Coqui XTTS-v2 y Qwen 2.5 en Windows sin necesidad de APIs en la nube.
Un nuevo envoltorio de implementación sin dependencias llamado F-0310 permite la inferencia completamente local y sin conexión para Coqui XTTS-v2 y Qwen 2.5 en Windows sin requerir APIs en la nube.
La empresa parisina de IA de voz Gradium ha lanzado Voice Design, una función que genera nuevas voces sintéticas a partir de descripciones escritas sin necesidad de audio de referencia. La herramienta ya está disponible en la API y Studio de Gradium en cinco idiomas.
Los investigadores presentan TontaubeV1, un modelo de texto-a-voz que preserva la prosodia natural mientras habilita inferencia en streaming desde una única GPU de consumo. El sistema utiliza una representación DualCodec jerárquica a 12.5 Hz para separar flujos semánticos de refinamientos acústicos, permitiendo generación de baja latencia.