AWS wprowadziło Social Messaging Agent Runtime Toolkit (SMART) – zestaw SDK open-source i stos Terraform, zaprojektowany do zarządzania złożonością integracji z WhatsApp dla agentów AI opartych na Amazon Bedrock AgentCore. Automatycznie obsługuje uwierzytelnianie, przetwarzanie mediów, pamięć rozmów i ograniczenia 24-godzinnego okna wiadomości.
Google uruchomiło „Tasks in Gemini” – nową funkcję pozwalającą asystentowi na wykonywanie wieloetapowych działań w tle. Aktualizacja obejmuje zautomatyzowane zakupy przez wirtualne karty Google Pay, zarządzanie zadaniami przez SMS, automatyzację przepływów pracy za pośrednictwem poczty elektronicznej oraz „Agentic Calling” do nawiązywania połączeń i dokonywania rezerwacji.
AssemblyAI wprowadziło model AssemblyAI-STT-3.7-Realtime-Agent, zaprojektowany specjalnie pod kątem interakcji z agentami głosowymi. Model ten rozwiązuje powszechne problemy w telefonicznej obsłudze klienta, takie jak oddzielanie głosu użytkownika od hałasu w tle oraz precyzyjne wyłapywanie danych, np. liczb, pod koniec wypowiedzi.
Firma AssemblyAI wprowadziła rodzinę modeli STT-3.7, obejmującą wersje dedykowane do nagrań, konwersacji na żywo oraz agentów głosowych. Jednocześnie zaprezentowano pierwszy silnik zamiany tekstu na mowę (TTS), zoptymalizowany pod kątem szybkich i naturalnych interakcji.
Naukowcy opracowali metodę adaptacji ogólnych, zamrożonych modeli LLM do systemów głosowych full-duplex przy użyciu zaledwie 97 milionów trenowalnych parametrów i 30 godzin pracy procesora GPU. System działa jako kaskada myśliciel-mówca z zegarem ramkowym 80 ms, co pozwala na naturalną zmianę ról w rozmowie, przerywanie i potakiwanie bez konieczności kosztownego trenowania na ogromnych zbiorach danych mowy.
Podczas NYC Summit firma ElevenLabs ogłosiła szereg aktualizacji, koncentrując się na precyzyjnym dostrajaniu modeli (fine-tuning), silniku „Interaction Engine” do inteligentnego zarządzania modelami oraz trwałej pamięci agentów. Wprowadzono również funkcję „Routines” do automatyzacji procesów oraz aplikację „ElevenAI” poprawiającą produktywność na spotkaniach.
Amazon umożliwił rozliczanie oprogramowania w modelu usage-based dla modeli działających w ramach dwukierunkowego streamingu w SageMaker AI. Wcześniej naliczanie opłat za długotrwałe sesje streamingowe było utrudnione, ponieważ nie można było ich powiązać z prostymi nagłówkami odpowiedzi HTTP. Teraz dostawcy modeli mogą raportować wykorzystanie w czasie rzeczywistym za pomocą dedykowanego połączenia WebSocket z metadanymi.
Google rozszerzyło swoją bibliotekę AI Edge o nowe możliwości rozpoznawania (ASR) i syntezy mowy (TTS) działające bezpośrednio na urządzeniu, bez konieczności połączenia z internetem. Deweloperzy mogą teraz integrować te wydajne modele za pomocą ML Kit dla Androida lub wieloplatformowego MediaPipe, wspierając ponad 100 języków przy wysokiej efektywności energetycznej.
Firma Cartesia wprowadziła dwa modele do zastosowań głosowych: Sonic (zamiana tekstu na mowę) oraz Ink (zamiana mowy na tekst). Zbudowane w oparciu o architekturę State Space Model (SSM), modele te zostały zaprojektowane z myślą o ultra-niskich opóźnieniach i wydajności w czasie rzeczywistym, co jest kluczowe dla profesjonalnych agentów głosowych.
AssemblyAI udostępniło Universal-3 Pro, wyspecjalizowany model zamiany mowy na tekst, który umożliwia programistom wydawanie poleceń bezpośrednio podczas procesu transkrypcji. Obsługuje transkrypcję dokładną (verbatim) oraz oczyszczoną, etykietowanie zdarzeń dźwiękowych i automatyczne przełączanie między sześcioma językami.
AssemblyAI wprowadziło AssemblyAI-TTS-1, model zamiany tekstu na mowę (TTS) stworzony dla agentów głosowych. Oferuje opóźnienia poniżej 100 ms, bibliotekę 4000+ głosów oraz natychmiastowe klonowanie głosu w cenie 15 USD za 1 mln znaków.
Audible opracowało potok syntezy mowy (TTS), który wykorzystuje duże modele językowe (LLM) do profilowania postaci i przypisywania dialogów z dokładnością do 97%. Dzięki stosowaniu „wskazówek scenicznych” w formie opisów tekstowych, system zapewnia wyraźne i spójne głosy postaci w długich treściach audio.
Mistral AI wydał Voxtral 3 – zestaw modeli rozpoznawania i syntezy mowy wraz z SDK, który w jednym potoku czasu rzeczywistego potrafi słuchać, wnioskować, wywoływać narzędzia i odpowiadać głosem. Modele rozpoznawania (Small, Mini i Realtime Transcribe 3) obsługują ponad 50 języków z rozróżnianiem mówców (diaryzacja), wzmacnianiem słów kluczowych dla słownictwa technicznego oraz opóźnieniem transkrypcji poniżej 500 ms, co według Mistral przewyższa Whisper, Scribe v2 i Gemini 3.5 Transcribe w ich testach. Model syntezy mowy Mini TTS 3 obsługuje ponad 35 języków i 50 dialektów z emocjami, tempem i akcentowaniem dostosowującymi się do kontekstu, w cenie 13 USD za milion znaków, a osobna funkcja Pro Voice potrafi odtworzyć głos i zakres emocjonalny osoby na podstawie zaledwie 30 minut nagrania. Wszystkie komponenty działają przez hostowane w UE API Mistral lub mogą być wdrożone na serwerach klienta.
OpenAI udostępniło funkcję prompt-to-voice wszystkim klientom API GPT-Live, umożliwiając zaprojektowanie głosu poprzez opisanie go tekstem — przez API lub w Playgroundzie głosów — a następnie wykorzystanie go w sesjach live. Zaprojektowanie głosu jest bezpłatne, natomiast samo generowanie mowy nadal rozliczane jest według standardowych stawek sesji GPT-Live. Jednocześnie do platformy dodano dziewięć nowych wbudowanych głosów w językach niemieckim, francuskim, hindi, japońskim i koreańskim.
Anam, firma tworząca fotorealistyczne interaktywne awatary, przeszła na model mowy-na-tekst (STT) Flux od Deepgram, aby rozwiązać problemy z naturalnym przechodzeniem tury wypowiedzi w nieoskryptowanych rozmowach w czasie rzeczywistym. W testach A/B wobec samodzielnie hostowanego rozwiązania open-source Flux zredukował niechciane przerwania awatara o ok. 50%, bez wzrostu opóźnienia, a skargi dotyczące płynności rozmów w sesjach anglojęzycznych spadły niemal do zera. Anam wdrożyło Flux samodzielnie na własnej infrastrukturze Kubernetes/H100, obejmując nim 100% użytkowników 'turnkey' po dwóch tygodniach wdrożenia własnego (w porównaniu z kilkoma dniami dla wersji hostowanej przez Deepgram).
Badacze opisują system FlowSpec, który zamienia prawną procedurę rozmowy wierzyciela na instrukcje odczytywalne maszynowo, ograniczenia narzędzi, sygnały treningowe i testy dla agenta głosowego. Model o 9 miliardach parametrów został dostrojony na nagraniach rozmów obejmujących niemal 300 losowo wygenerowanych procedur, a następnie przetestowany na czterech procedurach, których nigdy wcześniej nie widział, w tym jednej całkowicie odrębnej rodzinie scenariuszy, aby sprawdzić, czy zachowanie zgodności się przenosi.
xAI wprowadziło Grok Voice 3.0, najnowszy model speech-to-speech, bez zmiany ceny względem poprzedniej wersji Grok Voice 2.0. Deweloperzy korzystający z aliasu grok-voice-latest automatycznie otrzymują nowy model bez zmian w kodzie. Samo API pozostaje bez zmian.
AssemblyAI uruchomił hostowane wdrożenie open-source'owego modelu Qwen3.5 4B w swoim LLM Gateway, zoptymalizowane specjalnie do przepisywania surowej wyjściowej transkrypcji mowy na tekst na czysty, sformatowany tekst. W zadaniach przepisywania głosowego, takich jak czyszczenie dyktowania i formatowanie transkrypcji, model osiągał średni czas odpowiedzi 612ms — 1,9x szybciej niż GPT-4.1 — przy 94% niższym koszcie na godzinę przetworzonego audio. Cena modelu to $0.10/$0.50 za milion tokenów (prompt/odpowiedź), wspierane są tylko parametry max_tokens, temperature i stream, bez wywoływania narzędzi.