NemotronLabsは、聴取、文字起こし、推論、発話を統一されたストリーミングアーキテクチャ内で統合するために設計されたオープンウェイトのフルデュープレックス音声対話モデルであるVoiceChatを発表した。本システムは、ストリーミング音声エンコーダとデコーダのみからなる言語モデルを組み合わせ、エージェントテキストおよび構造化関数呼び出し用の並列専用出力ストリームに加え、逐次ユーザー文字起こし用の補助的なRNN-Tブランチを搭載している。
NemotronLabsは、統合ストリーミングアーキテクチャ内でネイティブのツール呼び出し機能を統合したオープンウェイトのフルデュプレックス音声対音声モデルであるNemotronLabs VoiceChatを発表しました。本システムは、ストリーミング音声エンコーダとデコーダのみからなる言語モデルを組み合わせ、エージェントテキストと構造化された関数呼び出し用の並列出力ストリームに加え、増分的な文字起こし用の補助RNN-TブランチおよびストリーミングTTSデコーダを備えています。
SpaceXAIは、ホストされたAPIを通じて提供される音声からテキストへの変換モデル「Grok Voice Transcribe 2.0」をリリースしました。このモデルは、同じ価格帯でバージョン1.0の約2倍の精度を実現すると主張しています。本モデルは、ノイズの多い電話回線や競合する音声といった困難な音声環境を対象としており、バッチ処理とリアルタイムストリーミングの両方のモードで動作します。
xAIは、バージョン1.0の2倍の精度を持ちながら同じ価格を維持する音声からテキストへの変換モデルであるGrok Voice Transcribe 2.0をリリースしました。Grok Voiceの背後にあるオーディオ基盤モデルに基づいて構築され、不安定な電話回線や競合する音声など、困難な現実世界の条件に対応するために、ライブでノイズのある多言語オーディオの独自のデータセットを活用しています。
Googleは、OpenAIのGPT-Liveモデルと形状が類似している2つの新しいスピーチ・トゥ・スピーチ モデル、Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingをリリースしました。
Googleは、会話の流れを中断することなく推論しツールを実行するリアルタイム音声エージェント向けに設計されたネイティブな音声から音声へのモデルであるGemini 3.8 LiveおよびGemini 3.8 Live Extended Thinkingを発表した。
Googleは、その技術が70億人以上のユーザーに対して300以上の言語をサポートするようになったと報告し、音声理解の向上、過小代表言語のデータ収集、アクセシビリティを改善するための新ツールを導入しました。
OpenAIはAPIでGPT-Live-1をリリースし、開発者が音声対応アプリケーションを構築できるよう、同時に聴取と発話を行う単一モデルを提供した。このリリースは、従来の連鎖型アーキテクチャを一元的なアプローチに置き換え、割り込みやコンテキストをより自然に処理することで、音声レイヤーの開発を簡素化することを目指している。
あるAI開発者は、約500ms以下の初回トークンレイテンシを達成しつつ、コスト効率とスケーラビリティを維持するリアルタイム音声AIシステムを構築するためのアーキテクチャに関する助言を求めている。
Aidenは、複雑な視覚推論とデバイス操作を伴うフルデュプレックスの音声会話が必要で、両方を処理する単一モデルの制限を回避するエージェント向けのアーキテクチャを説明しています。この解決策は責任を分割します：リアルタイム音声モデルが会話を管理し、別個のより強力なモデルがバックグラウンドタスクを実行し、タスクキューを通じて非同期に調整します。
あるユーザーが、クラウドAPIを必要とせずにWindows上でCoqui XTTS-v2とQwen 2.5の完全なローカルデプロイメントを可能にするゼロ依存ラッパーであるF-0310をリリースしました。
F-0310という新しいゼロ依存デプロイメントラッパーにより、Windows上でCoqui XTTS-v2およびQwen 2.5の完全なローカル、オフライン推論が可能になり、クラウドAPIを必要としません。
パリに拠点を置く音声AI企業のGradiumは、参照音声なしで記述に基づいて新しい合成音声を生成する機能「Voice Design」をリリースしました。このツールは現在、5言語に対応したGradium APIおよびStudioで利用可能です。
研究者らは、TontaubeV1を発表した。これは自然な抑揚を維持しつつ、単一の消費者向けGPUからストリーミング推論を可能にする音声合成モデルである。本システムは、意味的なストリームと音響的詳細を分離するために、12.5 Hzの階層的DualCodec表現を使用し、低遅延生成を実現する。
研究者らは、自然な抑揚を維持しつつ単一の消費者向けGPUからのストリーミング推論を可能にするテキスト音声合成モデル「TontaubeV1」を発表した。本システムは、意味的なストリームと音響的詳細を分離するために12.5 Hzの階層的DualCodec表現を使用し、基盤となるコーデックが非因果的であるにもかかわらず因果的なデコーディングを可能にしている。
AuKの技術レポートは、自然言語の指示とオーディオコンテキストを通じて音声の生成と編集を統一するオープンソースの基盤モデルを紹介します。
Tencentは、音声生成および編集のための基盤モデルAuK 1.5Bを、コードおよびモデルウェイトとともにオープンソースソフトウェアとして公開しました。
Tencentは、音声生成および編集のための基盤モデルAuKをオープンソースとして公開しました。Hugging FaceおよびModelScope上でコードと重みが利用可能です。今回のリリースには、わずか4ステップで高速推論を実現するよう設計された蒸留版のAuK-Flashが含まれています。
Meta Superintelligence Labsは、ストリーミング自動音声認識（ASR）、20人以上の話者 diarization、およびエンドポイント検出を一度のパスで実行する単一の自己回帰モデルであるMuse Voice Transcribeをリリースしました。このモデルは、muse-voice-transcribe-1.0という名前でMeta Model API上でホストされたAPIとして利用可能です。
pipecat-ai プロジェクトは、典型的な音声エージェントタスクで GPT 5.6 に匹敵するパフォーマンスを達成する phonellm-alpha-1 モデルをリリースしました。