Google a publié deux nouveaux modèles de synthèse vocale, Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, élargissant la famille Gemini Audio pour offrir des capacités de génération vocale dynamique aux créateurs, développeurs et entreprises.
xAI a lancé Grok Voice Transcribe 2.0, un modèle de reconnaissance vocale deux fois plus précis que la version 1.0 tout en maintenant le même prix. Construit sur le modèle fondamental audio derrière Grok Voice, il s'appuie sur un ensemble de données unique d'audio multilingue en direct et bruyant pour gérer des conditions réelles difficiles telles que des lignes téléphoniques instables et des voix concurrentes.
OpenAI a lancé GPT-Live-1 dans l'API, offrant aux développeurs un modèle unique capable d'écouter et de parler simultanément pour créer des applications activées par la voix. Cette version vise à simplifier le développement de la couche vocale en remplaçant les architectures traditionnelles en chaîne par une approche unifiée qui gère plus naturellement les interruptions et le contexte.
Google annonce que ses technologies prennent désormais en charge plus de 300 langues pour plus de 7 milliards de personnes, en introduisant de nouveaux outils pour améliorer la compréhension de la parole, la collecte de données pour les langues sous-représentées et l'accessibilité.
Google a publié Gemini 3.8 Flash TTS et Flash-Lite TTS via l'API Gemini et AI Studio, atteignant les premiers rangs du Voice Design Benchmark et de Voice Arena de Hume dans six langues.
Google a introduit Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, des modèles natifs de parole à parole conçus pour les agents vocaux en temps réel qui raisonnent et exécutent des outils sans interrompre le flux conversationnel.
Le classement Open TTS a été publié pour répondre à la fragmentation et au manque de standardisation dans l'évaluation de la synthèse vocale (TTS) en utilisant des métriques objectives plutôt que de se fier uniquement aux scores de préférence humaine basés sur des arènes, qui sont lents. Il évalue les modèles sur l'intelligibilité, la vitesse et la similarité du locuteur en utilisant les embeddings Qwen3 ASR et WavLM.
L'équipe Qwen d'Alibaba a publié Qwen-Audio-3.1, une pile audio composée de cinq modèles incluant le nouveau Qwen-Audio-3.1-Realtime-plus, un modèle de parole plein duplex conçu pour les agents vocaux capables de raisonnement et d'utilisation d'outils. La publication introduit également des réductions de prix allant jusqu'à 95 % sur les services ASR.
Le projet llama.cpp a publié la version b11190, qui inclut une correction pour le préprocesseur mel utilisé dans le modèle audio LFM2. Ce changement traite des écarts qui causaient différentes transcriptions gourmandes pour 4,5 % de l'anglais et 6,5 % des énoncés de test japonais.
Google a publié deux nouveaux modèles de synthèse vocale, Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, dans le cadre de sa famille Gemini Audio. Ces modèles introduisent la conception vocale générative à partir de prompts en langage naturel et la direction des performances ligne par ligne via l'API Gemini et Google AI Studio.
NVIDIA a publié Nemotron 3 Diarization, un modèle de diarisation de locuteurs à poids ouverts disponible sur Hugging Face sous la licence OpenMDW 1.1. Le modèle de 100M de paramètres suit jusqu'à 8 locuteurs en chevauchement en temps réel ou hors ligne à l'aide d'un seul point de contrôle.
Google a publié deux nouveaux modèles de synthèse vocale, gemini-3.8-flash-tts et gemini-3.8-flash-lite-tts, dotés d'une bibliothèque de plus de 2 000 voix.
NVIDIA a publié Nemotron 3 Diarization, un modèle à poids ouverts de 100 millions de paramètres pour la diarisation des locuteurs en temps réel, prenant en charge jusqu'à huit locuteurs. Le modèle se classe #1 sur le classement VoiceArena's Diarization-Bench avec un taux d'erreur de diarisation (DER) de 14,72 %, surpassant le système suivant d'une réduction relative d'environ 24 %.
NemotronLabs a présenté VoiceChat, un modèle poids ouverts de parole en parole plein duplex conçu pour intégrer l'écoute, la transcription, le raisonnement et la parole au sein d'une architecture de streaming unifiée. Le système combine un encodeur de flux audio et un décodeur de modèle de langage avec des flux de sortie spécialisés parallèles pour le texte agent et les appels de fonction structurés, ainsi qu'une branche RNN-T auxiliaire pour la transcription incrémentale de l'utilisateur.
NemotronLabs a présenté NemotronLabs VoiceChat, un modèle de parole à parole en duplex intégral à poids ouverts qui intègre des capacités natives d'appel d'outils au sein d'une architecture de streaming unifiée. Le système combine un encodeur de parole en streaming et un modèle de langage uniquement décodeur avec des flux de sortie parallèles pour le texte de l'agent et les appels de fonction structurés, ainsi qu'une branche RNN-T auxiliaire pour la transcription incrémentale et un décodeur TTS en streaming.
SpaceXAI a publié Grok Voice Transcribe 2.0, un modèle de transcription vocale en texte disponible via une API hébergée, qui revendique une précision deux fois supérieure à celle de la version 1.0 pour le même prix. Le modèle cible des conditions audio difficiles telles que les lignes téléphoniques bruyantes et les voix concurrentes, fonctionnant en modes par lots et en streaming en temps réel.
Google a publié deux nouveaux modèles de parole à parole, Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, qui sont similaires en structure aux modèles GPT-Live d'OpenAI.
Un développeur d'IA sollicite des conseils architecturaux pour construire un système d'IA vocale en temps réel atteignant une latence du premier jeton d'environ 500 ms ou moins, tout en restant rentable et évolutif.
Aiden décrit une architecture pour les agents qui nécessite une conversation vocale full-duplex ainsi qu'un raisonnement visuel complexe et des actions sur le dispositif, évitant ainsi la limitation d'un modèle unique gérant les deux. La solution divise les responsabilités : un modèle de voix en temps réel gère la conversation tandis qu'un modèle séparé et plus puissant exécute les tâches en arrière-plan, en se coordonnant de manière asynchrone via une file d'attente de tâches.
Un utilisateur a publié F-0310, un wrapper sans dépendances qui permet le déploiement entièrement local de Coqui XTTS-v2 et Qwen 2.5 sur Windows sans nécessiter d'API cloud.