谷歌实时语音多模态模型，Search Live 全球上线，支持摄像头实时识别与低延迟语音对话，开发者可构建实时智能代理应用。

GPT-realtime 是 OpenAI发布的语音到语音模型，能够通过单个模型和 API 处理从音频输入到音频输出的全流程，为语音交互带来革命性突破。

Stable Audio 2.5 是 Stability AI 推出的最新音频生成模型，可在几秒内生成高质量、多段落结构的音乐，支持文本转音频、音频修复等多种创作方式。

Fun-Audio-Chat-8B 是阿里巴巴通义实验室开源的新一代端到端语音交互大模型，以双分辨率语音表征架构实现超低延迟与近 50% GPU 资源节省，兼具情感感知、语音指令执行、全双工交互等核心能力，性能逼近 GPT-4o Audio 与 Gemini 2.5 Pro，推动开源语音 AI 进入实用化新阶段。

美团开源音频生成大模型，首创波形潜空间建模，刷新音色克隆 SOTA，解决音色漂移问题。

Hume AI Voice Conversion：一次录音即可把“声音灵魂”完整移植到任意目标声线，实现带情感的跨语言、跨性别、跨风格语音转换。