2025年9月1日，阶跃星辰发布开源端到端语音大模型Step-Audio 2 mini，并在多个国际基准测试中取得SOTA成绩。该模型统一语音理解、音频推理与生成，支持语音原生Tool Calling能力，可实现联网搜索等操作。其综合性能超越Qwen-Omni、Kimi-Audio等开源模型及GPT-4o Audio，在音频理解、语音识别、翻译和对话场景中表现突出。例如，在中英互译任务上，其CoVoST 2和CVSS评分分别达39.3和29.1；语音识别任务中，中文CER为3.19，英语WER为3.50，领先其他开源模型15%以上。通过真端到端多模态架构、CoT推理结合强化学习及音频知识增强，Step-Audio 2 mini有效解决传统语音模型智商情商不足的问题，现已上线阶跃星辰开放平台并开源。

2025年8月30日，微软发布两款自研AI大模型：语音模型MAI-Voice-1和通用模型MAI-1-preview。MAI-Voice-1以单GPU生成1分钟音频的速度和丰富表现力引发关注，支持多种情绪与场景；MAI-1-preview是微软首个端到端训练的MoE架构模型，性能与效率兼具。微软AI掌门人Mustafa Suleyman表示，此举标志着微软在AI领域掌握更多主动权，未来将通过‘编排器’技术优化模型调度能力。此前，微软长期依赖OpenAI模型，但近期双方关系趋紧，微软已将OpenAI列入竞争对手名单。同日，OpenAI也发布语音模型GPT-Realtime，显示出语音助手领域的激烈竞争。微软强调将继续使用OpenAI与开源模型，但自主研发成为其战略核心。

当地时间周四，OpenAI发布全新语音模型GPT-realtime，专用于语音AI Agent。该模型生成自然流畅语音，可模仿人类语调、情感及语速，支持图像理解并与语音或文本对话结合，适用于客服、教育、金融、医疗等领域。新增Marin与Cedar两种特色语音，并全面升级原有8种语音，进一步提升用户体验。

4月12日，MiniMax推出最新语音生成模型Speech-02，其升级版Speech-02-HD于5月15日登顶两大榜单，技术指标领先竞品。近期，多家AI语音创企获融资，如Cartesia获6400万美元融资，Hume AI获5000万美元融资，同时Amazon、Google等大厂也在布局相关技术。为评估当前AI语音在实际场景中的表现，测试选择了直播带货、语音陪伴、有声书三个场景，MiniMax、DubbingX等五款模型参与测试。结果显示，DubbingX在中文有声书场景中表现突出，尤其在复合情感表达上优于其他产品，而ElevenLabs和Sesame在英文场景中表现欠佳。尽管部分模型在情感传达上有所进步，但在复杂场景中仍需更多工程优化。AI语音在toB领域的应用已较广泛，但在toC场景中仍面临挑战，未来技术发展值得期待。

4月9日，亚马逊发布全新AI语音模型Nova Sonic，性能对标OpenAI和谷歌。Nova Sonic具备快速语音处理能力，能生成自然流畅的语音，在关键指标测试中表现优异。通过亚马逊Bedrock平台提供服务，其成本较GPT-4o低80%，并已为Alexa+提供技术支持。Nova Sonic支持双向流式API接入，具备精准的语音识别能力，尤其在多语言环境下表现出色，如英语、法语等的平均单词错误率仅4.2%。此外，其感知延迟为1.09秒，优于GPT-4o的1.18秒。亚马逊计划扩展其多模态AI模型，涵盖图像、视频及感官数据，以推进人工通用智能（AGI）战略。Nova Sonic标志着亚马逊在AI领域的持续投入与创新。

3月21日消息，OpenAI昨日发布新一代语音模型，包括gpt-4o-transcribe和gpt-4o-mini-transcribe两款语音转文本模型，以及gpt-4o-mini-tts文本转语音模型。gpt-4o-transcribe和gpt-4o-mini-transcribe在单词错误率、语言识别及准确性上超越Whisper系列，支持超100种语言，尤其在嘈杂环境、口音和不同语速下表现更稳定。gpt-4o-mini-tts可通过指令控制语音风格，适用于客服和创意内容领域。三款模型分别提供不同精度和成本选项，例如gpt-4o-transcribe每分钟成本0.6美分，gpt-4o-mini-transcribe每分钟0.3美分，gpt-4o-mini-tts每分钟1.5美分。

美东时间3月21日，OpenAI发布三款全新语音模型：GPT-4o Transcribe、GPT-4o MiniTranscribe和GPT-4o MiniTTS。GPT-4o MiniTTS能生成更逼真且可操控的语音，开发者可通过自然语言调整语气。新语音转文本模型GPT-4o Transcribe和GPT-4o MiniTranscribe在多语言支持和准确率上显著提升，尤其在英语、西班牙语中错误率低至2%，但在印度语和达罗毗荼语系中仍有约30%错误率。相比Whisper，新模型降低幻觉现象并更好适应复杂环境。OpenAI强调这些进展推动其“AI智能体”愿景，但新模型暂不公开发布，仅面向特定需求。

OpenAI发布三款新音频模型，涵盖语音转文本和文本转语音功能，助力开发者打造高效语音应用。 新模型的核心亮点包括： - gpt-4o-transcribe：大幅降低单词错误率（WER），在多语言基准测试中优于Whisper。 - gpt-4o-mini-transcribe：基于GPT-4o-mi...

标题：AI说书媲美真人！豆包语音大模型升级长上下文理解 市面上许多语音模型虽已实现自然合成，但在音质、韵律及情感表达方面仍有待提升。尤其在小说演播中，需细腻区分旁白与角色、准确传达情感及不同角色间的差异。 传统方法需预先标记对话、情感和角色，而豆包语音模型可实现端到端合成，无需额外标签。为提升小说演...

标题：海螺语音与ElevenLabs较量的实力 试想职场中遇到香港客户，需在线解释延误情况。你听到的粤语、英语混用片段，其实是AI配音，使用的是海螺语音工具。今年1月，MiniMax推出升级的T2A-01语音模型，支持17种语言及上百种音色。 测试中，海螺语音在绕口令“施氏食狮史”中表现优异，字词清晰，音调自然。相比之下，ChatTTS字词粘连，ElevenLabs则有“呱呱叫”的问题。海螺语音不仅音质稳定，还支持多种语言及情绪控制。 在多语言合成能力上，海螺语音在相似度、错误率等方面领先ElevenLabs。它能用不同语气和情绪流畅表达九种语言。此外，海螺语音还能精确控制情绪，如从害怕到高兴的转变，满足多样化需求。 海螺语音还提供了超过300种音色选择，用户可自定义调节。这使得海螺语音不仅适用于日常对话，还适用于影视配音等专业场景。