巴黎语音AI公司Gradium推出Voice Design功能，输入文字描述即可在数秒内生成全新语音，无需参考音频或真人说话人，也无需处理版权授权。该功能已上线API和Studio，所有套餐免费开放，支持五种语言。厂商自测盲听对比中，其在7627次比较里胜率72.6%，五种语言均排名第一，尤其擅长地域口音。生成的语音可作为常规voice_id用于流式TTS接口。

Cartesia发布Sonic-3.6文本转语音模型，在Artificial Analysis两个语音排行榜均居首，自然度提升显著。该模型基于状态空间模型，时延低于90毫秒，支持即时声音克隆、自定义发音等，以Beta版托管API提供，定价每百万字符49美元，不开放自托管权重。

Fish Audio的音频模型已上线AI Gateway，庆祝期间所有模型免费至9月18日。提供四个模型，包括文本转语音（支持低延迟、语音克隆、多语言及情感标记）和语音转文本（带时间戳）。用户可通过标准名称或加“-free”后缀使用，后者在优惠结束后自动停止服务。支持代码和浏览器试玩。

Claude Desktop 现已对接 Fish 语音 MCP，支持高保真文本转语音（TTS），用户可自定义音色和格式。通过 Claude.ai 或 Claude Desktop 远程连接，使用 fish_generate_audio 功能生成音频。首次注册可享免费额度，远程计费按调用次数计算。

Voicebox是一款开源的本地AI语音工具，具备语音克隆、文本转语音和语音识别功能。用户只需录制几秒钟的声音，即可生成多种语言的语音，且无需云端支持和费用。它支持多种语音引擎，适合制作有声书和播客，保护用户隐私，是传统付费服务的替代品。

AI Gateway现已支持音频和语音功能，包括实时语音、文本转语音和语音转文本。用户可以通过AI SDK 7使用这些功能，确保安全和便捷。

AI Gateway现已支持语音和音频模型，用户可以实时构建语音代理、将文本转换为语音以及进行音频转录。这些功能在测试阶段，提供与文本、图像和视频模型相同的可观察性和费用控制，用户可通过AI SDK 7实现低延迟的实时对话。

xAI的音频模型已在AI Gateway上线，提供实时语音、文本转语音和语音转文本功能。用户可通过AI SDK 7版本安全访问这些功能，开发者可使用示例代码快速集成，体验实时语音交互。

在微软Build开发者大会上，微软发布了MAI-Transcribe-1.5语音转文本模型和MAI-Voice-2文本转语音产品，提升了语音识别和合成语音的自然度。同时，微软推出了Project Solara，旨在通过持续在线的AI代理改善用户体验，尽管面临隐私和安全挑战，微软仍致力于将AI更深入地融入日常生活。

Miso Labs发布了MisoTTS，这是一款拥有80亿参数的文本转语音模型，采用残差矢量量化技术，能够根据文本和音频上下文生成富有表现力的语音。该模型的词汇量可扩展至约2048³²，支持半双工传输，API访问正在开发中。

Fish 语音 MCP 是一个高保真的文本转语音引擎，支持多种音色和格式。用户需获取 AceData Cloud API Token 进行配置，之后可生成音频。该服务适用于多种场景，调用时会从用户额度中扣费。

随着生成式AI向多模态发展，Supertone团队推出的Supertonic-3模型支持31种语言，具备实时语音合成能力，参数仅为9900万。该模型可在CPU环境中运行，无需云API，适合开发本地AI助手和语音播报系统。

本文探讨了语音智能体的架构，包括语音转文本（STT）、大语言模型（LLM）和文本转语音（TTS）三个阶段。引入音频后，延迟和上下文处理变得复杂。级联模型适合大多数生产环境，而端到端模型在自然对话中更具竞争力。流式传输技术可减少延迟，提升对话自然性。设计中需考虑语音活动检测和话轮管理等技术挑战，以改善用户体验。

OmniVoice是一款新发布的多语言文本转语音（TTS）模型，支持超过600种语言，包括多种方言和口音。它采用非自回归架构，简化了语音生成流程，提高了自然度和可懂度。该模型具备零样本语音克隆能力，适用于AI配音和跨语言内容生成，展现出广泛的应用潜力。

埃隆·马斯克的 AI 公司 xAI 发布了两款音频 API：语音转文本（STT）和文本转语音（TTS）。STT 支持 25 种语言，提供实时和批量转录，错误率为 5.0%。TTS 支持 20 种语言，提供多种声音选择，定价为每百万字符 4.20 美元。这标志着 xAI 进军语音 API 市场。

美团LongCat团队发布了LongCat-AudioDiT模型，采用全新的端到端文本转语音技术，减少信息损失。该模型在Seed基准测试中表现优异，取得最佳的说话人相似度和可懂度，证明了在波形潜空间生成语音的有效性。LongCat-AudioDiT以简化架构和高保真合成为目标，已开源，期待推动语音生成技术的发展。

小米人工智能实验室推出了OmniVoice，这是一款支持600多种语言的零样本文本转语音（TTS）模型。该模型采用单阶段框架，直接将文本映射为声学标记，基于58.1万小时的开源数据训练，广泛覆盖语言，并提升了对低资源语言的支持。

谷歌推出了Gemini 3.1 Flash TTS，这是一个改进的文本转语音模型，支持70多种语言，具备自然语言音频标签和多说话人对话功能。该模型在行业基准测试中得分1211，提供复杂的控制层，允许开发者根据场景调整语气、语速和口音。同时，集成的SynthID水印技术可识别AI生成内容，确保信息透明。