O Google lançou dois novos modelos de texto-para-fala, Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS, ampliando a família Gemini Audio para oferecer capacidades dinâmicas de geração de voz para criadores, desenvolvedores e empresas.
A xAI lançou o Grok Voice Transcribe 2.0, um modelo de fala para texto que é duas vezes mais preciso que a versão 1.0, mantendo o mesmo preço. Construído sobre o modelo base de áudio por trás do Grok Voice, ele utiliza um conjunto de dados exclusivo de áudio multilíngue ao vivo e ruidoso para lidar com condições desafiadoras do mundo real, como linhas telefônicas instáveis e vozes concorrentes.
A OpenAI lançou o GPT-Live-1 na API, oferecendo aos desenvolvedores um único modelo capaz de ouvir e falar simultaneamente para construir aplicações habilitadas por voz. Este lançamento visa simplificar o desenvolvimento da camada de voz substituindo arquiteturas encadeadas tradicionais por uma abordagem unificada que lida com interrupções e contexto de forma mais natural.
O Google relata que suas tecnologias agora suportam mais de 300 idiomas para mais de 7 bilhões de pessoas, introduzindo novas ferramentas para melhorar a compreensão de fala, a coleta de dados para idiomas sub-representados e a acessibilidade.
A Google lançou o Gemini 3.8 Flash TTS e o Flash-Lite TTS por meio da API do Gemini e do AI Studio, alcançando as primeiras posições no Voice Design Benchmark e na Voice Arena da Hume em seis idiomas.
A Google introduziu o Gemini 3.8 Live e o Gemini 3.8 Live Extended Thinking, modelos nativos de fala-para-fala projetados para agentes de voz em tempo real que raciocinam e executam ferramentas sem interromper o fluxo da conversa.
O Leaderboard Open TTS foi lançado para abordar a fragmentação e a falta de padronização na avaliação de Text-to-Speech (TTS), utilizando métricas objetivas em vez de depender exclusivamente de pontuações lentas de preferência humana baseadas em arenas. Ele avalia modelos quanto à inteligibilidade, velocidade e similaridade do locutor usando embeddings Qwen3 ASR e WavLM.
A equipe Qwen da Alibaba lançou o Qwen-Audio-3.1, uma pilha de áudio com cinco modelos que inclui o novo Qwen-Audio-3.1-Realtime-plus, um modelo de fala full-duplex projetado para agentes de voz capazes de raciocínio e uso de ferramentas. O lançamento também introduz reduções de preço de até 95% nos serviços de ASR.
O projeto llama.cpp lançou a versão b11190, que inclui uma correção para o pré-processador mel usado no modelo de áudio LFM2. Esta alteração aborda discrepâncias que causavam transcrições ganhosas diferentes para 4,5% do inglês e 6,5% das falagens de teste em japonês.
A Google lançou dois novos modelos de texto-para-fala, Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS, como parte de sua família Gemini Audio. Esses modelos introduzem o design generativo de voz a partir de prompts em linguagem natural e a direção de performance linha por linha por meio da API Gemini e do Google AI Studio.
A NVIDIA lançou o Nemotron 3 Diarization, um modelo de diarização de falantes com pesos abertos disponível no Hugging Face sob a Licença OpenMDW 1.1. O modelo de 100M parâmetros rastreia até 8 falantes sobrepostos em tempo real ou em modo offline usando um único checkpoint.
A Google lançou dois novos modelos de texto para fala: gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts, com uma biblioteca de mais de 2.000 vozes.
A NVIDIA lançou o Nemotron 3 Diarization, um modelo com pesos abertos e 100M de parâmetros para diarização de falantes em tempo real que suporta até oito falantes. O modelo ocupa a posição #1 no ranking Diarization-Bench da VoiceArena com uma Taxa de Erro de Diarização (DER) de 14,72%, superando o próximo sistema classificado em aproximadamente 24% de redução relativa.
A NemotronLabs apresentou o VoiceChat, um modelo open-weight de fala-para-fala full-duplex projetado para integrar escuta, transcrição, raciocínio e fala dentro de uma arquitetura de streaming unificada. O sistema combina um codificador de streaming de áudio e um modelo de linguagem decoder-only com fluxos de saída especializados paralelos para texto do agente e chamadas de função estruturadas, além de um ramo auxiliar RNN-T para transcrição incremental do usuário.
A NemotronLabs apresentou o NemotronLabs VoiceChat, um modelo de fala-para-fala full-duplex de pesos abertos que integra capacidades nativas de chamada de ferramentas dentro de uma arquitetura de streaming unificada. O sistema combina um codificador de áudio em streaming e um modelo de linguagem decoder-only com fluxos de saída paralelos para texto do agente e chamadas de função estruturadas, além de um ramo RNN-T auxiliar para transcrição incremental e um decodificador TTS em streaming.
A SpaceXAI lançou o Grok Voice Transcribe 2.0, um modelo de fala para texto disponível por meio de uma API hospedada que afirma ter o dobro da precisão da versão 1.0 no mesmo ponto de preço. O modelo é voltado para condições de áudio difíceis, como linhas telefônicas ruidosas e vozes concorrentes, operando nos modos em lote e streaming em tempo real.
O Google lançou dois novos modelos de fala para fala, Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking, que são semelhantes em estrutura aos modelos GPT-Live da OpenAI.
Um desenvolvedor de IA está pedindo conselhos de arquitetura para construir um sistema de IA de voz em tempo real que atinja aproximadamente 500 ms ou menos de latência de primeiro token, mantendo-se economicamente viável e escalável.
Aiden descreve uma arquitetura para agentes que requer conversa de voz full-duplex junto com raciocínio visual complexo e ações do dispositivo, evitando a limitação de um único modelo lidando com ambos. A solução divide as responsabilidades: um modelo de voz em tempo real gerencia a conversa enquanto um modelo separado e mais forte executa tarefas em segundo plano, coordenando-se assincronamente por meio de uma fila de tarefas.
Um usuário lançou o F-0310, um wrapper sem dependências que permite a implantação totalmente local do Coqui XTTS-v2 e Qwen 2.5 no Windows sem exigir APIs em nuvem.