Голос и музыка
Синтез речи, клонирование голоса и генерация музыки: ElevenLabs, Suno, MiniMax и другие.

Edge0 выложила Audio8-TTS-Realistic под Apache 2.0: модель клонирует голос по одной записи, знает русский и обходит Qwen3-TTS-1.7B на бенчмарке CV3 по средней ошибке.

AssemblyAI запустила AssemblyAI-TTS-1, синтез речи для голосовых агентов. Цена $15 за 1 млн символов без годового контракта и без отдельной платы за параллельные сессии, но SSML и управления скоростью пока нет.

Ollama выпустил release candidate v0.40.11 с обновлением каталога голосов Phonon. Синтез речи и модели d3 появились раньше - в v0.40.9 от 22 октября.

Dessa от компании Block не переводит речь в текст - она слышит эмоции, сарказм и паузы напрямую из аудио. Это меняет подход к голосовому ИИ.

Ollama научилась генерировать речь через модель Phonon на Apple Silicon - без облака, с потоковым воспроизведением и OpenAI-совместимым API.

Gradium выложила в открытый доступ TTS-модель Phonon под лицензией Apache 2.0. Она умещается в 64 МБ, обгоняет Kokoro по точности вдвое и работает прямо в браузере.

Spotify отчитался об удалении 50 млн "мусорных" ИИ-треков из рекомендательной системы - в дополнение к 75 млн песен, снятых с платформы полностью.

SpaceXAI выпустила Grok Voice 3.0 - речевую модель, которая набрала 86.9 в Speech-to-Speech Index от Artificial Analysis, обойдя GPT-Live-1 и Gemini 3.8 Live. Модель уже обрабатывает 20 000 звонков в сутки в Starlink.

Microsoft AI представила MAI-Transcribe-2-Streaming и две TTS-модели серии MAI-Voice-2.1 в режиме public preview. Первые результаты транскрипции - уже через 100 миллисекунд, поддержка 60 языков.

Nvidia открыла веса Nemotron 3 Diarization - 100-миллионная модель различает до восьми говорящих в прямом эфире с рекордно низкой ошибкой 14,7%.
Google запустила "Call for Me" для Pixel 11 - Gemini теперь звонит в компании сам, ждет на удержании и ведет разговор, пока вы наблюдаете за транскриптом.
Tencent представила Gander - голосового агента с раздельной архитектурой "мозжечок/мозг", который ведет диалог в реальном времени, пока фоновый агент пишет код или ищет файлы.
После многолетних задержек Apple выпустила полностью переработанного Siri на движке Google Gemini. Европейские пользователи iPhone и iPad не получат его при выходе iOS 27 и iPadOS 27 из-за разногласий с регуляторами ЕС - хотя на macOS 27 и visionOS 27 доступ будет.
Два года задержек, новый движок и полный переход в отдельное приложение - Siri в iOS 27 стал тем, чем должен был быть еще в 2024-м.
OpenAI выпустила GPT-Live-1 для разработчиков: полный дуплекс, задержка перехода хода разговора 0.8 секунды и цена $0.05 в минуту за голосовой слой. Модель уже работает в Yelp.
Suno запустила три новые модели v6, разработанные с использованием лицензированных данных Warner Music, BMG и Believe. Все старые модели отключены в тот же день.
Google запустил Lyria 3.5 прямо в приложении Gemini - теперь любой пользователь может создавать треки с вокалом и аранжировкой через обычный чат-запрос.
Adobe вывела три ИИ-инструмента для работы со звуком в общий доступ и добавила Gemini Omni Flash - теперь Firefly закрывает весь творческий цикл без переключения между сервисами.
Google официально объявила дату смерти Assistant на Android - 4 сентября 2026 года. Миллионы пользователей переведут на Gemini принудительно, без права вернуться назад.
Google выпустила Lyria 3.5 - теперь можно точечно переписывать отдельные части песни прямо в Flow Music, не трогая остальное. Это меняет все для музыкантов.
Anthropic переводит голосовой режим Claude на топовые модели и добавляет интеграцию с Gmail, Slack и Calendar - первый голосовой ИИ, реально отправляющий письма.
Anthropic открыла голосовой режим для своих мощных моделей Opus и Sonnet - теперь голосом можно решать реальные бизнес-задачи, а не только спрашивать погоду.
Модель Alibaba обошла всех конкурентов в независимом рейтинге Speech Arena, поддерживает 16 языков и управляется эмоциональными тегами - но в скорости безнадежно отстает.
OpenAI выходит на рынок железа с портативной умной колонкой без экрана - она двигается, учится и чувствует себя живой. Но судебный иск Apple может все сломать.
Spotify дает Premium-пользователям голосового собеседника прямо в плеере - теперь можно разговаривать с приложением и находить музыку через диалог.
Apple переосмыслила Siri до неузнаваемости - теперь это разговорный ИИ на базе Gemini, который знает ваши планы, фото и сообщения. Мы проверили, что из этого вышло.
Apple в третий раз анонсирует обновленную Siri - теперь на движке Google Gemini. Главный козырь: приватность вместо мощи, и бета-статус как щит от провала.
ElevenLabs обновила автодубляж: поддержка выросла до 90+ языков, а главное - модель сохраняет голос оригинального спикера, его тембр, высоту и интонацию на всех языках.
ElevenLabs выпустила Music v2 - модель, способная плавно переключаться между жанрами внутри одного трека, с инпейнтингом по секциям и снижением цен до 50%.
ElevenLabs выпустила Music v2 - модель, способная переключаться между оперой, хэви-металом и рэпом в рамках одной песни, не теряя связности.
Stability AI открыла веса новых аудиомоделей, способных генерировать полноценные треки длиной более шести минут - и все это на потребительском железе без облака.
Шанхайский StepFun выпустил end-to-end голосовую модель реального времени с ролевым RLHF и пониманием паралингвистики - и сразу занял первое место по всем пяти бенчмаркам.
Stability AI представила семейство аудиомоделей Stable Audio 3.0 - от компактной on-device версии до флагмана на 2,7B параметров, способного генерировать полноценные треки длиной более шести минут.
xAI выпустила флагманскую голосовую модель, обогнавшую GPT Realtime и Gemini на бенчмарке τ-voice Bench - 67,3% против 43,8% у ближайшего конкурента.
xAI открыла Grok Voice Agent API для сторонних разработчиков - голосовой ИИ с задержкой менее 700 мс уже интегрирован в LiveKit и Voximplant.
xAI открыла автономные API для распознавания и синтеза речи с конкурентными бенчмарками точности и поддержкой десятков языков.
OpenAI представила GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper - голосовые модели нового поколения с рассуждением в реальном времени и переводом на 70+ языков.