Mistral发布了Voxtral-4B-TTS-2603模型，旨在提升多语言语音生成的自然度和效率。该模型结合了语义自回归和声学流匹配，支持低延迟本地运行，展现出良好的泛化能力。

微软的VibeVoice语音生成模型因其强大功能被下架，后加水印后免费开源。该模型能够克隆声音、生成90分钟对话、实时响应，支持多语言并可本地运行。尽管有安全控制，仍需警惕深度伪造风险。VibeVoice将语音AI提升为内容生成系统，为开发者带来新机遇。

MOSS-TTS系列是MOSI.AI与OpenMOSS联合推出的多模型语音生成工具，克服了单一模型在复杂场景中的局限，支持高保真语音、对话和实时交互，适用于多种语言和风格切换。

本文介绍了一种名为“原则性粗粒度接受”（PCG）的新方法，旨在加速语音生成中的推测解码。PCG通过在声学相似性组（ASGs）层面验证提议，提高了接受率和吞吐量，同时保持了语音的可懂性和说话者相似性，为加速语音令牌生成提供了有效解决方案。

Rabbit公司发布了第二代操作系统Rabbit OS2，针对AI硬件R1进行了全面升级。新系统采用卡片式界面，提升用户体验，并推出“Creations”平台，支持用户通过语音生成应用。尽管受到批评，Rabbit团队积极改进，获得媒体和用户认可，标志着AI硬件的新进展。

VoXtream技术通过实时文本处理消除了传统TTS系统的延迟，采用动态音素前瞻机制，提升了语音生成的速度和自然度。与其他系统相比，VoXtream在字错误率和实时因子上表现优异，适合实时语音代理和同声传译。

本文提出了一项新任务——从视频和转录文本生成语音（VTTS），旨在推动多模态语音生成技术的发展。我们介绍了Visatronic解码器模型，该模型将视觉、文本和语音嵌入统一的变换器中，通过自回归损失进行学习，简化了传统方法的复杂性，并在多模态语音生成中表现优越。相关代码和数据集将发布以促进进一步研究。

专家分析了过去99天内的开源项目，发现多代理协作、AI工具集成和语音生成技术的进步是主要趋势。项目如Open WebUI、Unbody和OWL展示了AI领域的创新，强调了标准化集成和多代理合作的潜力。

Amazon Nova Sonic 是一款集成语音理解与生成的模型，简化语音应用开发，支持低延迟对话，能够动态调整语音回复，处理多种说话风格，并具备内容审核功能，适用于客户支持等场景。

阿里通义千问团队于3月27日发布了Qwen2.5-Omni，这是一个支持文本、图像、音频和视频实时交互的多模态大模型。该模型开源，具备卓越的语音生成和多模态性能，适用于多种智能硬件，并在多项基准测试中表现优异。

Qwen2.5-Omni是一款新型多模态模型，支持文本、图像、音频和视频的实时交互，采用Thinker-Talker架构，具备优越的语音生成和指令执行能力，表现优于同类产品。目前已在多个平台上线，期待用户反馈与创新应用。