语音合成

Edge0 发布 Audio8-TTS-Realistic，一款 0.6B 参数、Apache 2.0 许可的零样本语音克隆 TTS 模型，支持 23 种语言，并在训练末端加入由学习型真实感评审驱动的 GRPO 阶段。

Deepgram 宣布收购 Pipecat 背后的公司 Daily，并承诺保持 Pipecat 开源。这笔交易的关键不在模型本身，而在于语音 AI 的实时编排与基础设施控制权。

Block 的 AI 实验室发布全双工语音到语音模型 Dessa，仅用人类对话音频训练，可在 MacBook Pro M4 Max 上本地运行，但未公布模型规模、基准成绩与权重。

AssemblyAI 发布其首个文本转语音模型 AssemblyAI-TTS-1，定价每百万字符 15 美元，支持无限并发且无需签约，首发覆盖 6 种语言，明确面向语音智能体场景。

Retell基于OpenAI模型支撑每月1亿通语音通话，GPT-6 Astra在其语音Agent基准测试中登顶，Codex则帮助团队把人均年营收推到160万美元量级。

WIRED报道了一档名为Coyotec的双语AI电台节目：它会爆粗口、教听众如何应对ICE，并在广播行业纷纷试水AI人格的当下走红。这背后是AI语音人格从工具走向“有立场的陪伴者”的信号。

Block 推出新的语音生成模型，官方称其音色接近真人，且能在 MacBook M4 Max 上本地运行，为端侧语音合成提供了新选项。

Gradium 以 Apache 2.0 协议开源端侧 TTS 模型家族 Phonon，英文版仅 31M 参数、体积 64.5 MB，在笔记本 CPU 上约 7 毫秒即可开始发声。

ElevenLabs 推出两款面向实时对话的语音转语音模型，其中 v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间 0.57 秒，官方称在 Artificial Analysis 榜单上无模型能同时更快且更准。

Mistral AI 推出 Voxtral 3，将语音转写、语音合成与语音 Agent SDK 整合为一体，支持 50 多种语言，并可在实时对话中调用外部工具，同时提供自托管与欧盟托管 API 两种部署方式。

SpaceXAI 发布 Grok Voice 3.0 语音到语音模型，以 86.9 分登顶 Artificial Analysis 语音到语音指数，接口、事件与每分钟 0.08 美元的定价与上一代保持一致。

Fish Audio 推出 Drama 3，一个 35B 参数的混合专家文本转语音模型，激活参数约 3B，支持自然语言指令控制、覆盖 83 种语言，并以收入上限社区许可开放权重。