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.
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.
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.
Proyek llama.cpp merilis build b10369, memperkenalkan dukungan untuk model text-to-speech pocket-tts. Pembaruan ini mencakup implementasi baru konvolusi transpos menggunakan GEMM dan col2im untuk mengoptimalkan kinerja.
NVIDIA telah merilis pembaruan untuk model Magpie Multilingual TTS-nya, memperluas dukungan ke dua belas bahasa dengan penambahan Bahasa Arab Standar Modern, Korea, dan Portugis Brasil. Rilis ini juga mencakup peningkatan kualitas di berbagai bahasa yang ada melalui pembaruan data pelatihan dan perubahan arsitektur.
NVIDIA telah merilis NemotronLabs VoiceChat 11B, model speech-to-speech end-to-end 11B parameter yang terbuka dan dirancang untuk percakapan real-time full-duplex. Tidak seperti tumpukan bertingkat yang merangkai ASR, LLM, dan TTS, jaringan terpadu ini melakukan pemahaman dan generasi suara secara streaming secara bersamaan, mencapai latensi pergantian giliran yang mulus sebesar 448 ms di Full-Duplex-Bench 1.0.
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.
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.
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.
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.