谷歌更新Gemini音频模型，推出3.5 Transcribe等新功能，可自动识别专业术语和85种以上语言，去除填充词，支持语音编辑和最多三人说话人识别。3.5 Live增强中断处理和实时视觉处理，实验版可逐步叙述推理过程。更新今日起面向macOS应用和部分Android用户推出。

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。

截至今年6月，豆包大模型的日均token调用量达到180万亿，市场份额提升至49.5%。新发布的豆包2.1 Pro模型在编程和决策领域表现出色，成本降低近80%。视频生成模型Seedance 2.5支持最长30秒视频，具备更强编辑能力。图像模型Seedream 5.0 Pro实现精准编辑和多图层分离。音频模型Seed-Audio 1.0提供影视级音效，广泛应用于客服和智能座舱。字节跳动专注于AI能力提升，火山引擎提供云服务和解决方案。

OpenAI 发布了三个新音频模型：GPT-Realtime-2、GPT-Realtime-Translate 和 GPT-Realtime-Whisper，分别用于语音推理、实时翻译和转录。GPT-Realtime-2 具备 GPT-5 级推理能力，支持复杂对话和任务；GPT-Realtime-Translate 可将 70 多种语言实时翻译成 13 种语言；GPT-Realtime-Whisper 提供低延迟的语音转文本服务。所有模型已通过 Realtime API 正式上线。

OpenAI推出了三种音频模型，分别是GPT-Realtime-2（实时对话）、GPT-Realtime-Translate（支持70多种语言的实时翻译）和GPT-Realtime-Whisper（低延迟语音转文本）。这些模型提升了语音交互的智能性和响应能力，适用于客户支持和教育等领域。

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。

谷歌的Gemini Live AI助手即将推出新功能，能够实时与用户互动并高亮显示物品。用户可通过手机摄像头找到所需工具。此外，Gemini Live将与消息、电话和时钟等应用程序集成，允许用户在对话中发送消息或拨打电话。更新的音频模型将改善语音的语调和节奏，使对话更自然。

OpenAI推出新一代音频模型，具备语音转文本和文本转语音功能，显著提升转录精度和语音风格控制，适用于多种应用场景。该模型在多语言测试中表现优异，定价合理，旨在提升开发者体验和语音交互的情感表达。

2025年3月20日，推出新一代音频模型，提升语音代理的智能和交互能力。新模型具备更精准的语音转文本和文本转语音功能，适用于客户服务和创意叙事等场景，开发者可定制语音风格，增强用户体验，且在多语言环境中表现优异。

Standard Intelligence Lab发布了Hertz-Dev，一个开源的85亿参数音频模型，理论延迟为80毫秒，实际延迟为120毫秒，旨在提升实时交互性能。该模型降低了计算需求，适合独立开发者和小型企业，推动AI技术的普及，广泛应用于客户服务和智能家居等领域。