英伟达发布PersonaPlex-7B-v1语音对话模型，突破传统AI语音助手“一问一答”模式，实现更自然的真人对话体验。该模型采用单一Transformer架构，直接完成语音理解与生成，无需传统ASR、LLM、TTS串联处理。
OpenAI正加速研发音频AI模型，为语音优先智能硬件做准备。近期整合多个团队，集中提升语音交互技术，以改善对话表现和响应能力。目前语音模型在准确性和速度上仍落后于文本模型，因此正加速架构升级，开发新一代音频模型。
OpenAI正整合团队，加速研发音频AI技术，以提升语音模型的对话表现和响应速度，为即将推出的语音优先智能设备做准备。
Google推出Gemini 2.5 Flash与Pro文本转语音预览模型，全面升级5月旧版。新模型支持24种语言的多角色对话，具备“情绪级”表达和自适应节奏功能，用户可一键切换“欢快乐观”或“阴郁严肃”等音色。开发者现可在Google AI Studio与Playground免费测试，预计2025年第一季度投入生产，适用于有声书、游戏NPC及本地化课程等场景。
一款支持中英文的对话语音合成模型。
使用低延迟语音识别和合成模型与 AI 对话。
一个用于生成对话式语音的模型，支持从文本和音频输入生成高质量的语音。
百聆是一个类似GPT-4o的语音对话机器人，通过ASR+LLM+TTS实现，低配置也可运行，支持打断。
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
$1
$10
256
Baidu
128
$6
$24
$2
$20
$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。
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。
senstella
基于CSM-1b对话语音模型微调的情感语音模型，支持耳语风格语音合成
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。
%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)
