Le projet llama.cpp a publié la version b10270, introduisant le support pour le modèle Qwen3-TTS. Cette mise à jour inclut un changement cassant pour le binaire llama-tts et implémente des modifications architecturales significatives pour gérer le nouveau flux de travail de synthèse vocale.
NVIDIA a rendu disponible le modèle de chat vocal NemotronLabs-VoiceChat-11B sur Hugging Face. Le dépôt est décrit comme prenant en charge les capacités de communication full duplex.
OpenAI a publié GPT-Live, un système vocal de troisième génération qui élimine le détecteur de tour traditionnel en utilisant un modèle full-duplex capable d'écouter et de parler simultanément. Cette architecture permet des conversations plus immédiates et naturelles tout en maintenant une faible latence grâce à une nouvelle conception du système optimisée pour les performances en temps réel.
Un chercheur a publié le catalogue de recherche OpenGauntlet, une ressource publique contenant des informations sur 168 systèmes de synthèse vocale (TTS) et 106 systèmes de reconnaissance vocale (STT). Les répertoires couvrent les modèles open source et hébergés, les licences, les exigences matérielles, les langues, les capacités, le statut du cycle de vie, les informations sources et les données de benchmark publiées lorsque disponibles.
PolyAI a présenté Dialog-RSN-1, un modèle de dialogue qui traite directement l'audio brut de l'appelant plutôt que de s'appuyer sur des transcriptions. Il fusionne la gestion des tours, la reconnaissance vocale, l'appel de fonctions et la génération de réponses en un seul système conscient de l'audio.
xAI a annoncé Grok Voice Think Fast 2.0, un modèle vocal de nouvelle génération de parole à parole conçu pour améliorer l'intelligence, la précision de la transcription et les capacités conversationnelles. La mise à jour s'appuie sur son prédécesseur en introduisant des gains significatifs dans le raisonnement vocal, la capacité conversationnelle et la fiabilité de l'utilisation d'outils.
Google a lancé son dernier modèle de génération musicale, Lyria 3.5, au sein de Google Flow Music pour aider les utilisateurs à créer des titres plus riches avec un contrôle créatif accru.
Le laboratoire Tongyi d'Alibaba a publié Qwen-Audio-3.0-TTS, un système de synthèse vocale hébergé disponible en deux variantes : Flash pour l'interaction en temps réel et Plus pour une génération de haute qualité. Les deux versions sont proposées via Alibaba Cloud Model Studio plutôt que sous forme de poids téléchargeables.
OpenAI a lancé GPT-Live-1 et GPT-Live-1 mini pour alimenter une version reconstruite de ChatGPT Voice, introduisant le traitement audio full-duplex qui permet l'écoute et la parole simultanées. Le système délègue les requêtes complexes à des modèles de raisonnement en arrière-plan comme GPT-5.5, permettant une conversation continue tandis qu'une réflexion plus approfondie a lieu.
NymphTech cherche des recommandations de modèles de clonage vocal et de synthèse vocale haut de gamme pour améliorer son réseau de stations de radio IA, ciblant spécifiquement plusieurs langues et les diffusions de format long. L'entreprise a déjà lancé une plateforme présentant des personnalités IA persistantes comme Trinity et Mark, Trinity diffusant en continu depuis le 9 juin.
Les chercheurs proposent un cadre utilisant des grands modèles linguistiques sensibles au son (ALLMs) comme juges fins pour vérifier la présence d'événements cibles et les relations temporelles dans l'audio généré. Cette approche comble le manque où les modèles texte-vers-audio existants échouent souvent à suivre des instructions impliquant plusieurs événements sonores et leur ordre.
Une étude audite les raccourcis de niveau protocole dans les grands modèles audio-langage (LALM) utilisés comme juges automatiques pour l'évaluation de la parole, révélant qu'un accord élevé avec les évaluations humaines ne garantit pas que les verdicts sont fondés sur l'audio réel. La recherche examine trois protocoles de déploiement : le jugement par plan de caractéristiques, le jugement conditionné par référence, et la comparaison par paires A/B sur six juges et quatre attributs.
L'étude examine l'utilisation du Dynamic Time Warping (DTW) sur les représentations auto-supervisées de WavLM pour évaluer la précision phonétique, le rythme et l'intonation dans la parole L2 en anglais et en japonais, sans nécessiter de données d'entraînement étiquetées. L'approche DTW de base comparant la parole des apprenants aux modèles natifs dépasse l'accord humain sur la notation phonétique holistique et au niveau de la phrase.
Le framework open-source Audient fournit une couche de perception audio locale pour les agents LLM qui traite continûment le son et construit une mémoire de concepts par l'usage. Il utilise les embeddings CLAP, Whisper, Silero VAD et sqlite-vec pour filtrer, empreinter et reconnaître les événements audio sans nécessiter d'appels constants aux LLM.
Les chercheurs démontrent qu'un modèle de langage à diffusion discrète peut transcrire la parole en affinant l'intégralité du transcript en parallèle sur un petit nombre d'étapes de débruitage, au lieu d'utiliser des décodeurs autoregressifs.
Hume a introduit Real World VoiceEQ, un benchmark conçu pour évaluer la qualité humaine des interactions vocales en mesurant dans quelle mesure les systèmes reconnaissent et produisent des informations acoustiques au-delà des transcriptions. Le benchmark évalue plus de 40 modèles propriétaires et open-source sur plus de 15 dimensions à l'aide de plus de 60 métriques dérivées de 785 000 évaluations humaines TTS et 48 000 évaluations STS.
Le projet audio.cpp a publié la version 0.3, introduisant cinq nouveaux modèles de synthèse vocale : Supertonic 3, MOSS-TTS-Local, MOSS-TTS-Nano, IndexTTS2 et Irodori-TTS. La mise à jour ajoute également le support GGUF, qui sera déployé modèle par modèle.
Les chercheurs proposent la Projection de Gradient Unifiée (UGP), une méthode pour atténuer l'oubli catastrophique lors du fine-tuning de grands modèles ASR pré-entraînés comme Whisper sur des langues peu dotées. L'UGP contraint les mises à jour des paramètres en utilisant des gradients de référence issus d'une rééquilibrage linguistique dans un espace de projection unifié, égalisant efficacement les contributions par langue et réduisant le biais des langues dominantes.
L'auteur présente Cicero, un projet open-source qui offre une interaction vocale bidirectionnelle et auto-hébergée pour les agents IA. Contrairement aux outils de dictée unidirectionnels, Cicero permet aux agents de parler en retour et d'appeler les utilisateurs via Telegram, en gardant tout l'audio local.
Un développeur sur les forums Hugging Face cherche à comprendre comment des plateformes de production comme Bland.ai, Retell et Vapi gèrent l'orchestration des prompts sans dépendre de systèmes de prompts système massifs et écrits à la main. L'auteur décrit son implémentation actuelle utilisant FastAPI, Sarvam STT/TTS et Pipecat SmartTurn V3, notant que l'injection manuelle état par état entraîne une complexité croissante et des échecs sur des cas limites.