Grok Voice 3.0：xAI推出端到端语音转语音模型
Grok Voice 3.0 是 xAI 在2026年10月14日正式发布的端到端语音转语音（speech-to-speech）模型，主打面向企业语音智能体的实时双向语音交互，官方定位为面向通话场景的高性...
Gemini 3.8 Live：Google推出的实时双向多模态语音AI模型
Gemini 3.8 Live是Google DeepMind推出的原生双向实时语音多模态模型，包含两个版本：标准版gemini-3.8-live与增强推理版gemini-3.8-live-extended-thinking，主打低延迟音...
StepAudio 3：阶跃星辰推出的新一代全栈语音大模型套件
StepAudio 3 是阶跃星辰（StepFun）发布的新一代一体化音频基础模型套件，整套体系包含5个子模型，覆盖语音识别、流式语音合成、实时全双工语音对话、多元素音频生成、音乐...
Seeduplex：字节跳动推出的全双工语音交互大模型，豆包已全量落地
Seeduplex是字节跳动基于Seed基座研发的行业首个规模化落地原生全双工语音大模型，实现倾听、理解、生成、输出同步并行，端到端延迟低至500ms内，支持实时打断、精准抗干扰...
Covo-Audio：腾讯开源7B端到端音频大模型，原生全双工对话与智能音色解耦
Covo-Audio是腾讯AI Lab开源的70亿参数端到端大型音频语言模型（LALM），采用统一架构直接处理连续音频输入并生成音频输出，无需ASR、LLM、TTS多模块拼接。模型具备层级三模...
MOSS-Speech：复旦大学开源的端到端语音大模型，无文本引导实现自然语音交互
MOSS-Speech是由复旦大学邱锡鹏教授领衔的OpenMOSS团队（国内知名AI开源团队，曾推出MOSS大模型系列）研发的原生语音到语音（Speech-to-Speech, S2S）开源大模型，旨在打破...