英伟达发布首款开源端到端全双工语音对话模型NemotronLabs VoiceChat11B，用单一网络直接完成流式语音理解与生成，取代传统ASR、LLM、TTS分步架构，实现实时语音交互突破。
微软正测试首款原生实时语音模型MAI Realtime，支持16种语言和2种语音风格，实现听说并行，用户无需等待AI说完即可插话，且能自动识别并切换语言。采用双向全双工交互，打破传统轮流对话模式，并依靠端点检测技术。
特斯拉中国7月31日推送2026.14.13版本更新，覆盖Model 3/Y/S/X等车型。核心升级是接入豆包大模型，实现更精准的实时信息查询与自然流畅的语音对话，显著提升车内智能交互体验。
xAI发布新一代语音模型Grok Voice Think Fast 2.0，全面向开发者开放，在智能水平、转录精度、对话交互和工具调用效率上显著提升。定价每分钟0.08美元，在Artificial Analysis基准测试中综合得分为82.9%，超越前代及GPT-Realtime-2.1、Gemini 3.1 Flash。
借助AI代理将语音和聊天对话转化为结构化客户洞察
实时字幕和语音输入，适用于桌面端各类对话，支持翻译和多语言。
Blushly可语音与AI角色聊天，免费无限制，支持自定义与角色扮演。
一款支持中英文的对话语音合成模型。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$6
$24
256
Baidu
128
$8
$240
52
Bytedance
$1.2
$3.6
4
nari-labs
Dia2是由Nari Labs开发的流式对话文本转语音(TTS)模型，支持实时语音生成，无需完整文本即可开始生成音频，能够根据对话上下文进行调整，实现自然流畅的对话体验。
Dia2是由Nari Labs开发的流式对话文本转语音(TTS)模型，支持实时语音生成，无需完整文本即可开始生成音频，专为自然对话场景设计。
OpenMOSS-Team
MOSS-TTSD是一个开源的双语口语对话合成模型，支持中文和英文，能够将两人对话脚本转化为自然、富有表现力的对话语音，支持语音克隆且单轮语音生成时长最长可达1700秒。
Genie-AI-Lab
Omni L1B3RT4S GENIE 是一个基于Qwen2.5-3B Instruct架构微调的AI助手，采用1,103个精灵角色的定制示例进行训练，具备独特的语音和忠诚度模式，能够为用户提供别具一格的对话体验。
nineninesix
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，采用两阶段管道结合大型语言模型和高效音频编解码器，实现卓越的速度和音频质量。该模型支持西班牙语，具有4亿参数，采样率为22kHz。
KaniTTS是一款专为实时对话式人工智能应用优化的高速、高保真阿拉伯语文本转语音模型。它采用两阶段流水线架构，结合大语言模型与高效音频编解码器，实现卓越的速度和音频质量，能够满足对话式AI、无障碍辅助、研究等多领域的语音合成需求。
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，通过独特的两阶段架构结合大语言模型与高效音频编解码器，实现低延迟与高质量语音合成，实时因子低至0.2，比实时速度快5倍。
KaniTTS Pretrain v0.3是一款高速、高保真的文本转语音模型，专为实时对话式人工智能应用优化，采用两阶段管道架构，结合大语言模型和高效音频编解码器，实现极低延迟和高品质语音合成。
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型。它采用两阶段流水线架构，结合大语言模型和高效音频编解码器，实现了卓越的速度和音频质量，支持多种语言并适用于边缘/服务器部署。
KaniTTS是一款高速、高保真的文本转语音模型，专为实时对话式人工智能应用而优化。该模型采用两阶段处理流程，结合大语言模型和高效音频编解码器，在Nvidia RTX 5080上生成15秒音频的延迟仅需约1秒，MOS自然度评分达4.3/5，支持英语、中文、日语等多种语言。
stepfun-ai
Step-Audio 2 是一款端到端的多模态大语言模型，专为满足行业级音频理解和语音对话需求而设计。具备先进的语音和音频理解能力、智能语音对话功能、工具调用和多模态检索增强生成能力，在多个音频理解和对话基准测试中取得了领先的性能。
Marvis-AI
Marvis 是一款先进的对话式语音模型，专为实现实时流式文本转语音合成而设计。它以高效和易用性为核心，支持在苹果芯片、iPhone、iPad、Mac 等消费设备上运行的高质量实时语音合成。
fnlp
MOSS-TTSD 是一个开源的双语口语对话合成模型，支持中文和英文，能够将对话脚本转化为自然、富有表现力的对话语音。
unsloth
CSM（对话语音模型）是Sesame开发的1B参数语音生成模型，可从文本和音频输入生成RVQ音频编码。
RobAgrees
Dia是一款16亿参数的开源文本转语音模型，支持生成高度逼真的对话和非语言表达
mlx-community
Dia是一款开源权重的文本转对话模型，支持对话文本生成和语音合成。
lunahr
CSM（对话语音模型）是由Sesame开发的10亿参数语音生成模型，可通过文本和音频输入生成RVQ音频编码。
syvai
基于1000+小时丹麦语数据训练的文本转语音模型，支持自然对话场景的语音合成
thepushkarp
Dia 是由 Nari Labs 开发的 16 亿参数文本转语音模型，能够直接从文本生成高度逼真的对话，支持情感和语调调节以及非语言表达生成。
Dia是由Nari实验室开发的16亿参数文本转语音模型，能够直接从文本生成高度逼真的对话，支持情感和语调控制，并能生成非语言交流内容。
Speech MCP是为Goose设计的语音交互扩展，提供实时语音识别、高质量文本转语音、多语言支持和现代化音频可视化界面，支持多角色对话生成和音频转录功能。
一个支持与Claude等LLM进行语音交互的MCP服务器，只需OpenAI API密钥和麦克风/扬声器即可实现实时语音对话。
Voice Mode是一个为AI助手提供自然语音对话功能的工具，支持与Claude、ChatGPT等LLM通过MCP协议进行人机语音交互。
Jarvis MCP是一个基于浏览器的语音对话工具，让用户能通过麦克风与AI助手进行自然语音对话，支持30多种语言识别和远程访问，无需额外安装软件或API密钥。
基于Asterisk的语音对话电话自动呼叫MCP服务器，支持实时语音转语音功能，提供完整的电话自动化解决方案。
一个基于MCP协议的AI语音呼叫系统，通过VoIP技术让Claude等AI助手能够自动拨打电话并进行智能对话，支持多种SIP协议和音频编解码器。
为Claude Code提供语音交互模式的MCP服务，支持通过浏览器进行免提的连续双向语音对话，包含语音识别和文本转语音功能。
基于大模型的智能对话机器人项目，支持多平台接入和多种AI模型，具备文本、语音、图像处理及插件扩展能力，可定制企业AI应用。
Tavus MCP服务器是一个基于Model Context Protocol的AI视频生成服务接口，提供完整的Tavus API v2功能，包括AI数字人创建、视频生成、对话式AI、唇形同步和语音合成等25个工具。
Sinch MCP Server是一个开发者预览版工具集，提供与Sinch API交互的多功能服务，包括对话、验证、语音和邮件工具，支持通过Claude Desktop等MCP客户端使用。
一个连接Claude AI与ElevenLabs的语音对话服务器
GgufEnglish%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
