阿里通义千问团队开源Qwen3-TTS系列语音生成模型，采用端到端架构，支持秒级音色克隆、自然语言音色设计和实时流式输出。其核心创新Dual-Track双轨混合流式生成机制结合离散多码本语言模型，实现极致低延迟，大幅降低实时应用门槛。
东软集团与Cerence AI达成战略合作，共同开发新一代智能座舱平台，聚焦智能语音与大语言模型技术，为全球车企提供高效、预集成的智能交互解决方案。东软将依托其NAGIC智能座舱平台，结合Cerence AI的前沿技术，满足市场对智能座舱日益增长的需求。
xAI发布Grok语音代理API，每分钟仅0.05美元，性价比极高。该模型在音频推理基准测试中表现最佳，首音延迟不到1秒，响应速度比竞品快近5倍。支持包括中文在内的数十种语言自动检测与切换，并集成实时网页搜索与推理能力，提升回复质量。
微信输入法iOS版升级至3.0.0，核心转向语音优先交互。新版重构语音输入，底层大模型全面升级，提升识别速度与准确度，并加强实用性、语言覆盖和隐私保护。最大亮点是新增对15种中国方言的深度支持，如粤语等。
提供语音AI的ASR、TTS和LLM模型，可测试部署用于实时应用。
Spark-TTS 是一种基于大语言模型的高效单流解耦语音合成模型。
Scribe 是全球最准确的语音转文字模型，支持99种语言。
Zonos-v0.1 是一个领先的开放权重文本到语音模型，能够生成高质量的多语言语音。
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
$6
$24
$2
$20
Baidu
128
$8
$240
52
Bytedance
$1.2
$3.6
4
kenpath
Svara-TTS是一款面向印度语言的开源多语言文本转语音模型，支持19种语言（18种印度语言+印度英语）。该模型基于Orpheus风格的离散音频令牌方法构建，旨在普通GPU/CPU上实现清晰、富有表现力且低延迟的语音合成。
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。
teckedd
本模型是基于OpenAI Whisper-small在Common Voice 17.0数据集上微调的自动语音识别模型，专门针对Twi语言进行优化，能够实现语音内容的准确识别。
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。
neuphonic
NeuTTS Air是世界上首个具备即时语音克隆功能的超逼真、端侧文本转语音（TTS）语言模型。基于0.5B参数的大语言模型骨干构建，能为本地设备带来自然的语音、实时性能、内置安全性和说话人克隆功能。
NeuTTS Air是全球首个具有即时语音克隆功能的超逼真设备端文本转语音模型，基于0.5B参数的大语言模型骨干构建，能在本地设备上实现自然语音生成、实时性能和说话人克隆功能。
XiaomiMiMo
MiMo Audio是小米开发的音频语言模型，通过大规模预训练展现出强大的少样本学习能力。该模型突破了传统模型依赖特定任务微调的局限，在语音智能、音频理解等任务中表现出色，在开源模型中达到先进水平。
MiMo Audio是一款基于大规模预训练的音频语言模型，在语音智能和音频理解基准测试中取得了开源模型的SOTA性能。该模型展现出强大的少样本学习能力，能够泛化到训练数据中未包含的任务，支持语音转换、风格迁移和语音编辑等多种音频任务。
NeuTTS Air是世界上首个具备即时语音克隆功能的超逼真、设备端文本转语音（TTS）语言模型。基于0.5B大语言模型骨干网络构建，能为本地设备带来自然的语音、实时性能、内置安全功能和说话人克隆能力。
Vikhrmodels
Borealis 是首款面向俄语的自动语音识别（ASR）音频大语言模型，经过约7000小时俄语音频数据训练。该模型支持识别音频中的标点符号，架构受Voxtral启发但有所改进，在多个俄语ASR基准测试中表现优异。
KrauthammerLab
CAST 0.7B 是基于0.7B参数Gemma3风格语言模型构建的语音转语音语言模型，能够生成自然的语音音频延续内容。该模型依赖于CAST WavTokenizer进行编码/解码操作，专门用于语音生成任务。
mispeech
MiDashengLM-7B-0804是小米发布的7B参数多模态语音语言模型，支持音频理解和文本生成任务，适用于通用场景的推理和微调。
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。
nvidia
OmniVinci是NVIDIA开发的全模态理解大语言模型，具备视觉、文本、音频处理和语音交互能力，支持多模态推理和理解。
FluidInference
parakeet-tdt-0.6b-v3 是一款强大的多语言自动语音识别模型，支持英语、西班牙语、法语、德语等多种欧洲语言，基于FastConformer-TDT架构，使用公开数据集训练，为跨语言语音识别提供高效解决方案。
istupakov
NVIDIA Parakeet TDT 0.6B V3是一个多语言自动语音识别模型，参数量为6亿，支持包括英语、西班牙语、法语、德语等25种欧洲语言，可将语音转换为文本。
TransformersMultiple Languages%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)
