LPM1.0模型發佈，能通過單張參考圖實時生成人物說話、聆聽及唱歌視頻。其核心突破在於多模態處理，可同步整合文本、音頻與圖像，生成脣形精準同步、表情細膩且情緒過渡自然的動態畫面。該模型支持接入ChatGPT等主流語音AI，將傳統語音對話升級爲具備視覺反饋的實時交互。
阿里巴巴通義大模型開源“百聆”系列語音模型重大升級。新模型僅需3秒錄音即可無縫切換9種語言和18種方言，支持普通話、粵語、日語、英語等，並能模擬開心、憤怒等多種情感。其中Fun-CosyVoice3模型改進顯著，首包延遲降低50%，中英混說準確率大幅提升。
StepFun AI團隊推出音頻大模型Step-Audio-R1，通過優化計算資源利用，解決了音頻AI模型在長推理鏈中準確性下降的問題。研究團隊指出，問題源於訓練時過度依賴文本數據，導致模型推理類似閱讀文字而非實際聆聽聲音。
YouTube推出“Labs”項目，測試創新功能。其中YouTube音樂引入AI主播“Beyond the Beat”，在用戶收聽混合曲目或電臺時，自動插入相關音頻片段，如故事和趣聞，旨在豐富音樂體驗，提升聆聽享受。
百聆是一個類似GPT-4o的語音對話機器人，通過ASR+LLM+TTS實現，低配置也可運行，支持打斷。
StemGen: 一款聆聽音樂生成模型
讓應用能夠通過語音轉文本和文本轉語音等功能聆聽、理解甚至與客戶交談
Ai音頻檢測，聆聽更真實的互聯網
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
$17.5
Alibaba
$8
$240
52
-
$15.8
$12.7
64
$3.9
$15.2
Bytedance
$0.8
$2
128
Baidu
$2.4
$12
8
Tencent
32
$3
$9
%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)
