Google telah merilis dua model teks-ke-suara baru, Gemini 3.8 Flash TTS dan Gemini 3.8 Flash-Lite TTS, memperluas keluarga Gemini Audio untuk menawarkan kemampuan generasi suara dinamis bagi kreator, pengembang, dan perusahaan.
xAI telah merilis Grok Voice Transcribe 2.0, sebuah model suara-ke-teks yang dua kali lebih akurat dibandingkan versi 1.0 sambil mempertahankan harga yang sama. Dibangun di atas model dasar audio di balik Grok Voice, model ini memanfaatkan dataset unik audio multibahasa langsung dan bising untuk menangani kondisi dunia nyata yang menantang seperti jalur telepon yang tidak stabil dan suara yang bersaing.
OpenAI telah meluncurkan GPT-Live-1 di dalam API, menyediakan kepada pengembang satu model yang mampu mendengarkan dan berbicara secara bersamaan untuk membangun aplikasi berbasis suara. Rilis ini bertujuan menyederhanakan pengembangan lapisan suara dengan mengganti arsitektur berantai tradisional menggunakan pendekatan terpadu yang menangani interupsi dan konteks lebih alami.
Google melaporkan teknologinya kini mendukung lebih dari 300 bahasa untuk lebih dari 7 miliar orang, memperkenalkan alat baru untuk meningkatkan pemahaman ucapan, pengumpulan data untuk bahasa yang kurang terwakili, dan aksesibilitas.
Google telah merilis Gemini 3.8 Flash TTS dan Flash-Lite TTS melalui API Gemini dan AI Studio, mencapai peringkat teratas di Voice Design Benchmark dan Voice Arena Hume di enam bahasa.
Google telah memperkenalkan Gemini 3.8 Live dan Gemini 3.8 Live Extended Thinking, model native speech-to-speech yang dirancang untuk agen suara real-time yang mampu bernalar dan mengeksekusi alat tanpa mengganggu alur percakapan.
Open TTS Leaderboard telah dirilis untuk mengatasi fragmentasi dan kurangnya standarisasi dalam evaluasi Text-to-Speech (TTS) dengan menggunakan metrik objektif alih-alih hanya mengandalkan skor preferensi manusia berbasis arena yang lambat. Model dievaluasi berdasarkan kejelasan, kecepatan, dan kesamaan pembicara menggunakan Qwen3 ASR dan embedding WavLM.
Tim Qwen dari Alibaba telah merilis Qwen-Audio-3.1, tumpukan audio lima model yang mencakup Qwen-Audio-3.1-Realtime-plus baru, sebuah model ucapan full-duplex yang dirancang untuk agen suara yang mampu melakukan penalaran dan penggunaan alat. Rilis ini juga memperkenalkan pengurangan harga hingga 95% pada layanan ASR.
Proyek llama.cpp merilis versi b11190, yang mencakup perbaikan untuk preprosesor mel yang digunakan dalam model audio LFM2. Perubahan ini mengatasi ketidaksesuaian yang menyebabkan transkripsi serakah berbeda untuk 4,5% bahasa Inggris dan 6,5% ucapan uji bahasa Jepang.
Google telah merilis dua model teks-ke-suara baru, Gemini 3.8 Flash TTS dan Gemini 3.8 Flash-Lite TTS, sebagai bagian dari keluarga Gemini Audio. Model-model ini memperkenalkan desain suara generatif dari prompt bahasa alami dan arahan performa per baris melalui Gemini API dan Google AI Studio.
NVIDIA telah merilis Nemotron 3 Diarization, model diarisasi pembicara dengan bobot terbuka yang tersedia di Hugging Face di bawah Lisensi OpenMDW 1.1. Model 100M-parameter ini melacak hingga 8 pembicara yang tumpang tindih dalam mode waktu nyata atau offline menggunakan satu checkpoint.
Google telah merilis dua model teks-ke-suara baru, gemini-3.8-flash-tts dan gemini-3.8-flash-lite-tts, yang dilengkapi dengan pustaka lebih dari 2.000 suara.
NVIDIA telah merilis Nemotron 3 Diarization, sebuah model berbobot terbuka dengan 100 juta parameter untuk penandaan pembicara secara real-time yang mendukung hingga delapan pembicara. Model ini menempati peringkat #1 di papan peringkat Diarization-Bench VoiceArena dengan Tingkat Kesalahan Penandaan (DER) sebesar 14,72%, mengungguli sistem berikutnya dengan pengurangan relatif sekitar 24%.
NemotronLabs telah memperkenalkan VoiceChat, model obrolan suara dua arah penuh dengan bobot terbuka yang dirancang untuk mengintegrasikan pendengaran, transkripsi, penalaran, dan pengucapan dalam satu arsitektur streaming terpadu. Sistem ini menggabungkan encoder suara streaming dan model bahasa decoder-only dengan aliran output paralel khusus untuk teks agen dan panggilan fungsi terstruktur, serta cabang RNN-T tambahan untuk transkripsi pengguna inkremental.
NemotronLabs telah memperkenalkan NemotronLabs VoiceChat, sebuah model obrolan suara dua arah penuh dengan bobot terbuka yang mengintegrasikan kemampuan panggilan alat asli dalam arsitektur streaming terpadu. Sistem ini menggabungkan encoder suara streaming dan model bahasa decoder-only dengan aliran output paralel untuk teks agen dan panggilan fungsi terstruktur, serta cabang RNN-T tambahan untuk transkripsi inkremental dan decoder TTS streaming.
SpaceXAI telah merilis Grok Voice Transcribe 2.0, sebuah model speech-to-text yang tersedia melalui API terhosting dan mengklaim memiliki akurasi dua kali lipat dibandingkan versi 1.0 pada titik harga yang sama. Model ini menargetkan kondisi audio yang sulit seperti saluran telepon berisik dan suara yang bersaing, berjalan dalam mode batch maupun streaming real-time.
Google telah merilis dua model speech-to-speech baru, Gemini 3.8 Live dan Gemini 3.8 Live Extended Thinking, yang mirip dalam bentuk dengan model GPT-Live dari OpenAI.
Seorang pengembang AI meminta saran arsitektural untuk membangun sistem AI suara real-time yang mencapai latensi token pertama sekitar 500 ms atau kurang, sambil tetap hemat biaya dan dapat diskalakan.
Aiden menggambarkan arsitektur untuk agen yang memerlukan percakapan suara full-duplex bersama dengan penalaran visual kompleks dan tindakan perangkat, menghindari keterbatasan satu model yang menangani keduanya. Solusi membagi tanggung jawab: model suara real-time mengelola percakapan sementara model terpisah yang lebih kuat mengeksekusi tugas latar belakang, berkoordinasi secara asinkron melalui antrian tugas.
Seorang pengguna telah merilis F-0310, sebuah wrapper tanpa dependensi yang memungkinkan penyebaran sepenuhnya secara lokal dari Coqui XTTS-v2 dan Qwen 2.5 di Windows tanpa memerlukan API cloud.