Proyek llama.cpp merilis versi b10270, memperkenalkan dukungan untuk model Qwen3-TTS. Pembaruan ini mencakup perubahan pemecah pada biner llama-tts dan mengimplementasikan modifikasi arsitektur signifikan untuk menangani alur kerja teks-ke-suara baru.
NVIDIA telah membuat model obrolan suara NemotronLabs-VoiceChat-11B tersedia di Hugging Face. Repositori tersebut dideskripsikan mendukung kemampuan komunikasi full duplex.
OpenAI telah merilis GPT-Live, sistem suara generasi ketiga yang menghilangkan detektor giliran tradisional dengan menggunakan model full-duplex yang mampu mendengarkan dan berbicara secara bersamaan. Arsitektur ini memungkinkan percakapan yang lebih langsung dan alami sambil mempertahankan latensi rendah melalui desain sistem baru yang dioptimalkan untuk kinerja waktu nyata.
Seorang peneliti telah menerbitkan katalog penelitian OpenGauntlet, sebuah sumber daya publik yang berisi informasi tentang 168 sistem teks-ke-suara (TTS) dan 106 sistem suara-ke-teks (STT). Direktori mencakup model open source dan terhosting, lisensi, persyaratan perangkat keras, bahasa, kemampuan, status siklus hidup, informasi sumber, dan data benchmark yang dipublikasikan jika tersedia.
PolyAI telah memperkenalkan Dialog-RSN-1, sebuah model dialog yang memproses audio panggilan mentah secara langsung daripada mengandalkan transkrip. Ini menggabungkan pergantian giliran, pengenalan suara, pemanggilan fungsi, dan generasi respons ke dalam satu sistem sadar audio.
xAI telah mengumumkan Grok Voice Think Fast 2.0, model suara generasi berikutnya berbasis speech-to-speech yang dirancang untuk meningkatkan kecerdasan, akurasi transkripsi, dan kemampuan percakapan. Pembaruan ini dibangun dari pendahulunya dengan memperkenalkan peningkatan signifikan dalam penalaran suara, kemampuan percakapan, dan keandalan penggunaan alat.
Google telah meluncurkan model generasi musik terbaru mereka, Lyria 3.5, di dalam Google Flow Music untuk membantu pengguna membuat trek yang lebih kaya dengan kontrol kreatif yang lebih besar.
Lab Tongyi Alibaba telah merilis Qwen-Audio-3.0-TTS, sebuah sistem text-to-speech yang di-hosting dan tersedia dalam dua varian: Flash untuk interaksi real-time dan Plus untuk generasi berkualitas tinggi. Kedua tier disediakan melalui Alibaba Cloud Model Studio, bukan sebagai bobot yang dapat diunduh.
OpenAI telah meluncurkan GPT-Live-1 dan GPT-Live-1 mini untuk menggerakkan ChatGPT Voice yang dibangun ulang, memperkenalkan pemrosesan audio full-duplex yang memungkinkan mendengarkan dan berbicara secara bersamaan. Sistem ini mendelegasikan pertanyaan kompleks ke model penalaran latar belakang seperti GPT-5.5, memungkinkan percakapan berkelanjutan sambil pemikiran mendalam terjadi.
NymphTech sedang mencari rekomendasi model kloning suara dan sintesis ucapan kelas atas untuk meningkatkan jaringan stasiun radio AI-nya, secara khusus menargetkan beberapa bahasa dan siaran format panjang. Perusahaan telah meluncurkan platform yang menampilkan kepribadian AI persisten seperti Trinity dan Mark, dengan Trinity melakukan siaran terus-menerus sejak 9 Juni.
Peneliti mengusulkan kerangka kerja yang menggunakan model bahasa besar sadar audio (ALLMs) sebagai hakim halus untuk memverifikasi keberadaan peristiwa target dan hubungan temporal dalam audio yang dihasilkan. Pendekatan ini mengatasi kesenjangan di mana model teks-ke-audio yang ada sering gagal mengikuti instruksi yang melibatkan beberapa peristiwa suara dan urutannya.
Sebuah studi mengaudit pintasan tingkat protokol dalam model bahasa-audio besar (LALM) yang digunakan sebagai hakim otomatis untuk evaluasi ucapan, mengungkapkan bahwa kesepakatan tinggi dengan penilaian manusia tidak menjamin putusan didasarkan pada audio sebenarnya. Penelitian ini memeriksa tiga protokol penerapan: penjudian cetak biru fitur, penjudian berkondisi referensi, dan perbandingan A/B berpasangan di enam hakim dan empat atribut.
Studi ini menyelidiki penggunaan Dynamic Time Warping (DTW) pada representasi WavLM yang dipelajari secara mandiri untuk menilai akurasi fonetik, ritme, dan intonasi dalam ucapan L2 bahasa Inggris dan Jepang tanpa memerlukan data pelatihan berlabel. Pendekatan DTW dasar yang membandingkan ucapan peserta dengan templat asli melampaui kesepakatan manusia dalam penilaian fonetik holistik dan tingkat kalimat.
Kerangka kerja sumber terbuka Audient menyediakan lapisan persepsi audio lokal untuk agen LLM yang secara terus-menerus memproses suara dan membangun memori konsep melalui penggunaan. Ini menggunakan embedding CLAP, Whisper, Silero VAD, dan sqlite-vec untuk gerbang, sidik jari, dan mengenali peristiwa audio tanpa memerlukan panggilan LLM yang konstan.
Peneliti menunjukkan bahwa model bahasa difusi diskrit dapat mentranskripsi ucapan dengan menyempurnakan seluruh transkrip secara paralel selama beberapa langkah denoising, alih-alih menggunakan decoder autoregresif.
Hume telah memperkenalkan Real World VoiceEQ, sebuah benchmark yang dirancang untuk mengevaluasi kualitas interaksi suara manusia dengan menilai seberapa baik sistem mengenali dan menghasilkan informasi akustik di luar transkrip. Benchmark ini mengevaluasi lebih dari 40 model proprietary dan open-source di atas 15+ dimensi menggunakan lebih dari 60 metrik yang berasal dari 785.000 penilaian manusia TTS dan 48.000 penilaian STS.
Proyek audio.cpp telah merilis versi 0.3, memperkenalkan lima model teks-ke-suara baru: Supertonic 3, MOSS-TTS-Local, MOSS-TTS-Nano, IndexTTS2, dan Irodori-TTS. Pembaruan ini juga menambahkan dukungan GGUF, yang akan dirilis model demi model.
Para peneliti mengusulkan Proyeksi Gradien Terpadu (UGP), sebuah metode untuk meredam lupa katastrofik saat melakukan penalaan halus pada model ASR pra-latih besar seperti Whisper pada bahasa dengan sumber daya rendah. UGP membatasi pembaruan parameter menggunakan gradien referensi dari replika seimbang bahasa dalam ruang proyeksi terpadu, secara efektif menyamakan kontribusi per-bahasa dan mengurangi bias bahasa dominan.
Penulis memperkenalkan Cicero, sebuah proyek sumber terbuka yang menyediakan interaksi suara dua arah dan di-host sendiri untuk agen AI. Berbeda dengan alat diktasi satu arah, Cicero memungkinkan agen berbicara kembali dan menelepon pengguna melalui Telegram, sambil menyimpan semua audio secara lokal.
Seorang pengembang di forum Hugging Face berusaha memahami bagaimana platform produksi seperti Bland.ai, Retell, dan Vapi mengelola orkestrasi prompt tanpa bergantung pada prompt sistem besar yang ditulis secara manual. Penulis menggambarkan implementasi saat ini menggunakan FastAPI, Sarvam STT/TTS, dan Pipecat SmartTurn V3, mencatat bahwa injeksi keadaan secara manual menyebabkan kompleksitas yang meningkat dan kegagalan pada kasus tepi.