OpenAI工程师推出GPT-Live，一种去除话轮检测器的全双工语音系统
OpenAI发布了GPT-Live，这是一款第三代语音系统，通过采用能够同时听和说的全双工模型，消除了传统的转接器。这种架构允许更即时和自然的对话，同时通过针对实时性能优化的新系统设计保持低延迟。
xAI发布Grok Voice Think Fast 2.0，提升语音推理与转录准确率
xAI宣布推出Grok Voice Think Fast 2.0，这是一款下一代语音到语音模型，旨在增强智能、转录准确性和对话能力。该更新在先前版本的基础上，显著提升了语音推理、对话能力和工具使用的可靠性。
Google 在 Flow Music 中推出 Lyria 3.5，提升音乐性和人声表现
Google 在其 Google Flow Music 平台推出了最新的音乐生成模型 Lyria 3.5，旨在帮助用户创作更丰富的音轨，并拥有更大的创作控制权。
OpenAI 发布全双工语音模型，德国法院判定谷歌对 AI 概览内容承担责任
OpenAI 推出了 GPT-Live-1 和 GPT-Live-1 mini，以驱动重新构建的 ChatGPT Voice，引入支持同时听说的全双工音频处理。该系统将复杂查询委托给 GPT-5.5 等后台推理模型，从而在深度思考进行的同时实现连续对话。
llama.cpp b10369 增加 pocket-tts 支持，CUDA 生成速度提升 80%
llama.cpp 项目发布了构建版本 b10369，引入了对 pocket-tts 文本转语音模型的支持。此更新包含使用 GEMM 和 col2im 实现转置卷积的新方法，以优化性能。
NVIDIA Magpie TTS 新增阿拉伯语、韩语和葡萄牙语，并提升质量
NVIDIA 已对其 Magpie Multilingual TTS 模型发布更新，通过新增现代标准阿拉伯语、韩语和巴西葡萄牙语，将支持语言扩展至十二种。此次发布还通过更新训练数据和架构变更，提升了现有语言的质量。
NVIDIA发布NemotronLabs VoiceChat 11B，一款开源全双工语音转语音模型，切换延迟约450毫秒
NVIDIA发布了NemotronLabs VoiceChat 11B，这是一款面向实时全双工对话的开源11B参数端到端语音转语音模型。与串联ASR、LLM和TTS的级联堆栈不同，该统一网络同时执行流式语音理解和生成，在Full-Duplex-Bench 1.0上测得的平滑切换延迟为448毫秒。
llama.cpp b10270 添加对 Qwen3-TTS 的支持，并包含 llama-tts 的破坏性更改
llama.cpp 项目发布了 b10270 版本，引入了对 Qwen3-TTS 模型的支持。此更新包括对 llama-tts 二进制文件的破坏性更改，并实施了重要的架构修改以处理新的文本转语音工作流。
NVIDIA在Hugging Face上发布NemotronLabs-VoiceChat-11B模型
NVIDIA已在Hugging Face上发布了NemotronLabs-VoiceChat-11B语音聊天模型。该仓库被描述为支持全双工通信能力。
OpenGauntlet发布包含168个TTS和106个STT系统的目录
一位研究人员发布了OpenGauntlet研究目录，这是一个公共资源，包含关于168个文本转语音（TTS）系统和106个语音转文本（STT）系统的信息。该目录涵盖开源和托管模型、许可证、硬件要求、语言、功能、生命周期状态、来源信息以及可用的已发布基准数据。
PolyAI 发布 Dialog-RSN-1，一款音频原生对话模型
PolyAI 推出了 Dialog-RSN-1，这是一款直接处理原始来电音频而非依赖转录文本的对话模型。它将轮次管理、语音识别、函数调用和响应生成融合为一个单一的音频感知系统。
阿里巴巴通义实验室发布Qwen-Audio-3.0-TTS的Flash和Plus版本
阿里巴巴的通义实验室发布了Qwen-Audio-3.0-TTS，这是一个托管的文本转语音系统，提供两种变体：用于实时交互的Flash和用于高质量生成的Plus。这两个版本均通过阿里云模型工作室提供服务，而非作为可下载的权重。
NymphTech 为 AI 电台网络寻求最先进的语音克隆技术
NymphTech 正在寻求高端语音克隆和语音合成模型的推荐，以增强其 AI 广播电台网络，特别针对多种语言和长篇幅广播。该公司已经推出了一個平台，拥有持久的 AI 人格，如 Trinity 和 Mark，其中 Trinity 自 6 月 9 日起持续广播。