A OpenAI lançou o GPT-Live, um sistema de voz de terceira geração que elimina o detector de turno tradicional ao usar um modelo full-duplex capaz de ouvir e falar simultaneamente. Essa arquitetura permite conversas mais imediatas e naturais, mantendo baixa latência por meio de um novo design de sistema otimizado para desempenho em tempo real.
A xAI anunciou o Grok Voice Think Fast 2.0, um modelo de voz de próxima geração que converte fala em fala, projetado para melhorar a inteligência, a precisão da transcrição e as capacidades de conversação. A atualização se baseia em seu antecessor, introduzindo ganhos significativos no raciocínio com fala, na habilidade de conversação e na confiabilidade do uso de ferramentas.
O Google lançou seu mais recente modelo de geração de música, Lyria 3.5, dentro do Google Flow Music para ajudar os usuários a criar faixas mais ricas com maior controle criativo.
A OpenAI lançou o GPT-Live-1 e o GPT-Live-1 mini para impulsionar uma ChatGPT Voice reconstruída, introduzindo processamento de áudio full-duplex que permite escuta e fala simultâneas. O sistema delega consultas complexas a modelos de raciocínio em segundo plano como o GPT-5.5, permitindo conversação contínua enquanto ocorre um pensamento mais profundo.
O projeto llama.cpp lançou a compilação b10369, introduzindo suporte para o modelo de texto-para-fala pocket-tts. Esta atualização inclui uma nova implementação de convoluções transpostas usando GEMM e col2im para otimizar o desempenho.
A NVIDIA lançou uma atualização para seu modelo de TTS multilíngue Magpie, expandindo o suporte para doze idiomas com a adição de Árabe Padrão Moderno, coreano e português brasileiro. A versão também inclui melhorias de qualidade nos idiomas existentes por meio de dados de treinamento atualizados e alterações na arquitetura.
A NVIDIA lançou o NemotronLabs VoiceChat 11B, um modelo de ponta a ponta de fala-para-fala aberto com 11B de parâmetros, projetado para conversação full-duplex em tempo real. Diferente das pilhas em cascata que encadeiam ASR, LLM e TTS, esta rede unificada realiza compreensão e geração de streaming de fala simultaneamente, alcançando uma latência medida de troca de turno suave de 448 ms no Full-Duplex-Bench 1.0.
O projeto llama.cpp lançou a versão b10270, introduzindo suporte para o modelo Qwen3-TTS. Esta atualização inclui uma mudança que quebra no binário llama-tts e implementa modificações arquiteturais significativas para lidar com o novo fluxo de trabalho de texto para fala.
A NVIDIA disponibilizou o modelo de chat de voz NemotronLabs-VoiceChat-11B no Hugging Face. O repositório é descrito como suportando capacidades de comunicação full duplex.
Um pesquisador publicou o catálogo de pesquisa OpenGauntlet, um recurso público contendo informações sobre 168 sistemas de texto para fala (TTS) e 106 sistemas de fala para texto (STT). Os diretórios cobrem modelos de código aberto e hospedados, licenças, requisitos de hardware, idiomas, capacidades, status do ciclo de vida, informações de origem e dados de benchmark publicados quando disponíveis.
A PolyAI apresentou o Dialog-RSN-1, um modelo de diálogo que processa o áudio bruto da chamada diretamente, em vez de depender de transcrições. Ele funde a gestão de turnos, reconhecimento de fala, chamada de funções e geração de respostas em um único sistema consciente de áudio.
O Laboratório Tongyi da Alibaba lançou o Qwen-Audio-3.0-TTS, um sistema de texto para fala hospedado disponível em duas variantes: Flash para interação em tempo real e Plus para geração de alta qualidade. Ambos os níveis são fornecidos por meio do Alibaba Cloud Model Studio, e não como pesos baixáveis.
A NymphTech está buscando recomendações de modelos de clonagem de voz e síntese de fala de alta gama para aprimorar sua rede de estações de rádio com IA, focando especificamente em múltiplos idiomas e transmissões de formato longo. A empresa já lançou uma plataforma apresentando personalidades persistentes de IA como Trinity e Mark, com a Trinity transmitindo continuamente desde 9 de junho.