微软开源的VibeVoice项目能够生成最长90分钟的自然多人对话音频，支持最多4个说话人，突破传统TTS限制，兼容中英文及多语言合成，适合播客和教育内容制作。

上海交通大学推出全球首个支持多人实时口语对话的语音情感大模型“交交”。该模型具备多人对话、身份识别、多语言支持和情感理解等功能，能够与多位用户自然互动，精准识别身份并提供个性化回应，同时支持多种语言和方言，满足知识问答需求，展现出强大的语音理解与交互能力。