NemotronLabs는 듣기, 전사, 추론, 발화를 통합된 스트리밍 아키텍처 내에서 결합하도록 설계된 오픈 가중치 풀듀플렉스 음성-음성 모델인 VoiceChat을 출시했습니다. 이 시스템은 스트리밍 음성 인코더와 디코더 전용 언어 모델을 결합하여 에이전트 텍스트 및 구조화된 함수 호출을 위한 병렬 특수화 출력 스트림과 증분 사용자 전사를 위한 보조 RNN-T 브랜치를 제공합니다.
NemotronLabs는 통합 스트리밍 아키텍처 내에서 네이티브 도구 호출 기능을 통합한 오픈 가중치 풀듀플렉스 음성-음성 모델인 NemotronLabs VoiceChat을 출시했습니다. 이 시스템은 에이전트 텍스트와 구조화된 함수 호출을 위한 병렬 출력 스트림, 증분 전사를 위한 보조 RNN-T 브랜치, 그리고 스트리밍 TTS 디코더를 결합한 스트리밍 음성 인코더와 디코더 전용 언어 모델을 결합합니다.
SpaceXAI가 호스팅 API를 통해 제공되는 음성-텍스트 모델인 Grok Voice Transcribe 2.0을 출시했으며, 이는 동일한 가격대에서 버전 1.0 대비 두 배의 정확도를 주장합니다. 이 모델은 시끄러운 전화 회선과 경쟁하는 음성 등 어려운 오디오 조건을 대상으로 하며, 배치 및 실시간 스트리밍 모드에서 실행됩니다.
xAI는 버전 1.0보다 정확도가 두 배 높으면서도 동일한 가격을 유지하는 음성-텍스트 모델인 Grok Voice Transcribe 2.0을 출시했습니다. Grok Voice의 오디오 파운데이션 모델 위에 구축되었으며, 불안정한 전화 회선과 경쟁하는 음성 같은 어려운 현실 세계 조건을 처리하기 위해 라이브 노이즈가 있는 다국어 오디오의 고유한 데이터셋을 활용합니다.
Google은 OpenAI의 GPT-Live 모델과 형태가 유사한 두 가지 새로운 음성-to-음성 모델인 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking을 출시했습니다.
Google은 대화 흐름을 끊지 않고 추론하고 도구를 실행하는 실시간 음성 에이전트용으로 설계된 네이티브 스피치-투-스피치 모델인 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking를 소개했습니다.
구글은 이제 70억 명 이상의 사용자를 위해 300개 이상의 언어를 지원하는 기술을 발표하며, 음성 이해 개선, 소외된 언어의 데이터 수집 및 접근성 향상을 위한 새로운 도구를 소개했습니다.
OpenAI가 API에 GPT-Live-1을 출시하여 개발자에게 음성 기반 애플리케이션 구축을 위해 동시에 청취와 발화가 가능한 단일 모델을 제공합니다. 이번 릴리스는 전통적인 연결된 아키텍처를 중단과 맥락을 더 자연스럽게 처리하는 통합 방식으로 대체함으로써 음성 레이어 개발을 간소화하는 것을 목표로 합니다.
한 AI 개발자가 약 500ms 이하의 첫 토큰 지연 시간을 달성하면서도 비용 효율적이고 확장 가능한 실시간 음성 AI 시스템을 구축하기 위한 아키텍처 조언을 요청하고 있습니다.
Aiden은 복잡한 시각적 추론과 디바이스 작업을 동반한 풀듀플렉스 음성 대화를 필요로 하며, 두 가지를 모두 처리하는 단일 모델의 한계를 피하는 에이전트용 아키텍처를 설명합니다. 이 솔루션은 책임을 분할합니다: 실시간 음성 모델이 대화를 관리하고 별도의 더 강력한 모델이 백그라운드 작업을 실행하며 작업 큐를 통해 비동기적으로 조정합니다.
한 사용자가 클라우드 API 없이 Windows에서 Coqui XTTS-v2 및 Qwen 2.5의 완전한 로컬 배포를 가능하게 하는 종속성 없는 래퍼인 F-0310을 출시했습니다.
F-0310이라는 새로운 종속성 없는 배포 래퍼는 클라우드 API 없이 Windows에서 Coqui XTTS-v2 및 Qwen 2.5에 대한 완전한 로컬 오프라인 추론을 가능하게 합니다.
파리에 기반을 둔 음성 AI 기업 Gradium은 참조 오디오 없이 서술적 설명만으로 새로운 합성 음성을 생성하는 기능인 Voice Design을 출시했습니다. 이 도구는 현재 5개 언어를 지원하는 Gradium API 및 Studio에서 사용 가능합니다.
연구자들은 단일 소비자 GPU에서 스트리밍 추론을 가능하게 하면서 자연스러운 운율을 보존하는 텍스트 음성 변환 모델인 TontaubeV1을 제시했습니다. 이 시스템은 의미 있는 스트림과 음향적 정제를 분리하기 위해 12.5 Hz의 계층적 DualCodec 표현을 사용하며, 이를 통해 낮은 지연 시간 생성이 가능합니다.
연구자들은 단일 소비자용 GPU에서 스트리밍 추론을 가능하게 하면서도 자연스러운 운율을 보존하는 텍스트 음성 변환 모델인 TontaubeV1을 제시했습니다. 이 시스템은 12.5 Hz의 계층적 DualCodec 표현을 사용하여 의미 있는 스트림과 음향 보정을 분리하며, 이는 근본적으로 비인과적인 코덱의 특성에도 불구하고 인과적 디코딩을 가능하게 합니다.
AuK 기술 보고서는 자연어 지시와 오디오 컨텍스트를 통해 음성 생성과 편집을 통합하는 오픈소스 기반 모델을 소개합니다.
Tencent는 코드와 모델 가중치를 포함하여 음성 생성 및 편집을 위한 AuK 1.5B 파운데이션 모델을 오픈소스 소프트웨어로 공개했습니다.
Tencent는 음성 생성 및 편집을 위한 AuK 파운데이션 모델을 Hugging Face와 ModelScope에서 코드와 가중치와 함께 오픈소스로 공개했습니다. 이번 릴리스에는 단 4단계로 빠른 추론이 가능한 압축 변형인 AuK-Flash가 포함되어 있습니다.
메타 슈퍼인텔리전스 랩스는 스트리밍 자동 음성 인식(ASR), 20명 이상의 화자 분할, 그리고 엔드포인트 검출을 한 번의 처리로 수행하는 단일 자기회귀 모델을 출시한 뮤즈 보이스 트랜스크라이브를 발표했습니다. 이 모델은 메타 모델 API를 통해 muse-voice-transcribe-1.0이라는 이름으로 호스팅된 API 형태로 제공됩니다.
pipecat-ai 프로젝트는 일반적인 음성 에이전트 작업에서 GPT 5.6 과 비교할 만한 성능을 달성하는 phonellm-alpha-1 모델을 출시했습니다.