1月15日，阶跃星辰宣布其开源语音模型Step-Audio-R1.1在全球权威评测榜单Artificial Analysis Speech Reasoning中登顶榜首。该榜单专注于评估原生语音模型的复杂逻辑推理能力，核心指标包括准确率和首包延迟等。Step-Audio-R1.1以96.4%的准确率超越Grok、Gemini、GPT-Realtime等主流模型，刷新历史最佳成绩，并在性能与速度上全面领先。作为全球首个开源原生语音推理模型，Step-Audio-R1系列具备深度语音推理、实时响应和音频领域可扩展CoT等核心能力。最新版本R1.1进一步提升实时对话与复杂推理能力，完整实时语音API预计2月上线，目前chat模式已支持流式推理功能。

1月15日，据财联社报道，阶跃星辰的原生语音推理模型Step-Audio-R1.1在大模型评测榜单Artificial Analysis Speech Reasoning中荣登全球第一。该榜单是评估“原生语音模型”的权威第三方基准之一，重点考察模型直接处理音频并完成复杂逻辑推理的能力，核心指标包括准确率和首包延迟等。此次登顶标志着阶跃星辰在语音模型领域的技术突破，进一步巩固了其在全球人工智能行业的领先地位。

12月15日，阿里通义发布两款‘百聆’语音模型升级版并开源。Fun-CosyVoice3支持3秒录音即可克隆音色，切换9种语言、18种方言及多种情感，首包延迟降低50%，中英混说准确率提升显著。Fun-ASR增强噪声场景识别率达93%，支持31种语言自由混说与歌词识别。两模型均支持本地部署与二次开发，适用于语音助手、直播配音等实时场景。开源地址已公布，供开发者体验与定制化微调。

2025年10月，火山引擎升级了豆包语音大模型，推出语音合成模型2.0与声音复刻模型2.0。新模型通过深度语义理解与上下文推理能力，使AI语音从“像人”走向“懂人”，支持情感表达、方言、语气等多样化控制。例如，郭德纲和于谦的腔调被复刻演绎“发疯文学”。此外，新架构还解决了复杂公式朗读难题，准确率达90%。同时，豆包大模型1.6新增分档调节思考长度功能，并推出轻量化版本及智能模型路由技术，显著降低企业使用成本。目前，该技术已在小米、懂车帝等企业落地应用，日均tokens调用量超过30万亿，占据中国公有云市场半壁江山。

10月7日，OpenAI首席执行官奥尔特曼宣布推出GPT-5 Pro模型，并同步发布轻量化语音模型GPT-realtime-mini。这一举措表明语音将成为未来人机交互的重要方式，彰显了OpenAI在多模态交互领域的战略布局。新模型将助力开发者更高效地集成语音功能，进一步提升用户体验。

9月19日，小米正式开源首个原生端到端语音模型Xiaomi-MiMo-Audio。该模型基于创新预训练架构和上亿小时训练数据，首次在语音领域实现基于ICL的少样本泛化，并观察到明显的“涌现”行为。在多项标准评测中，MiMo-Audio表现优异：在音频理解基准MMAU测试集中超越Google闭源模型Gemini-2.5-Flash；在Big Bench Audio S2T任务中超越OpenAI的GPT-4o-Audio-Preview，同时在通用语音理解和对话等任务中取得7B参数量最佳性能，大幅领先同级别开源模型。

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。