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。

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。

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。