Modulate于2026年6月3日发布了Velma模型，允许开发者实时理解语音对话中的情绪和意图。该API超越传统语音转文本，提供实时监控和分析，帮助企业识别欺诈、客户需求和合规性问题，提升客户体验和运营智能。

OpenClaw v2026.4.26版本进行了全面升级，重写的插件系统显著提升了性能，实时语音对话功能实现低延迟通话。新系统支持灵活选择本地与云端模型，优化用户体验。同时引入一键加密，确保数据传输安全，迁移工具简化了用户从其他平台的迁移过程，整体提升了系统的稳定性和易用性。

苹果的iOS 26.4更新允许用户通过CarPlay与ChatGPT进行语音对话。该应用仅支持语音交流，符合苹果的开发者指南，用户可以查看最近的对话，但需手动打开应用，无法使用唤醒词。

NVIDIA 发布了 PersonaPlex-7B-v1，这是一个全双工语音对话模型，采用单一 Transformer 架构，支持自然语音交互、插话和重叠对话。该模型通过双流配置处理用户音频和智能体语音，结合真实与合成对话进行训练，评估结果显示其在对话动态和任务遵守方面表现优异。

OpenAI计划在2026年前推出升级版音频模型，以提升语音对话的自然性和准确性，并重组团队专注于音频AI。同时，将发布智能眼镜和无显示屏音箱等音频设备。

微软推出名为“Portraits”的实验功能，为Copilot添加40种风格化人类头像，旨在提升语音对话的自然性。用户可选择头像并配对声音，增强与聊天机器人的互动。该功能目前在美国、英国和加拿大的18岁及以上用户中可用。

亚马逊Nova Sonic是一款先进的语音对话模型，支持实时人声交流，具有低延迟和高性价比。它提供双向流API，允许开发者创建自然的AI代理，支持多种声音和口音，适用于知识库查询和工具调用，并通过WebSockets实现自然对话。Python SDK虽为实验性，但涵盖基本功能，开发者可通过创建客户端和事件处理函数进行使用。

OpenAI的GPT-4o与谷歌的Gemini Live在AI实时语音对话领域竞争激烈。昆仑万维的Skyo助手具备快速响应和情感化反应等功能，表现优异。尽管Skyo仍需改进，但其在语音交互中展现了强大能力，未来将继续扩展功能，推动多模态AI应用的发展。

Mac应用版相比网页版增加了许多快捷键，使用更便捷，尤其是“文件上传”功能。语音对话功能暂时不需要。

OpenAI在旧金山的DevDay活动中推出了四个新版本的应用开发产品，重点是新的实时API公测版。该API支持开发者创建与AI聊天机器人的互动应用。新模型包括GPT-4o和GPT-o1，支持语音生成和自然语音对话。OpenAI计划增加视觉和视频功能，并提高API的会话限制。实时API现已开放给开发者测试。