Block 산하 연구 조직 Team Dessa가 문자 데이터나 사전학습 언어모델 없이 사람의 음성 대화만으로 처음부터 학습한 실시간 대화 모델 Dessa를 공개했다. 텍스트 변환 과정에서 보존되지 않던 억양과 말 사이의 쉼, 웃음, 한숨까지 직접 듣고 표현하며, NVIDIA GB200 NVL72 한 대로 학습해 MacBook Pro M4 Max에서 실시간보다 빠르게 작동한다.
Preferred Networks가 PLaMo 번역을 3세대 모델로 갱신했다. 텍스트 번역은 53개 언어, 회의 번역은 15개 언어를 지원하고, 자체 평가에서 주요 번역 모델과 비슷한 품질을 훨씬 적은 계산 비용으로 구현했다고 발표했다.
Microsoft AI가 첫 스트리밍 음성 인식 모델 MAI-Transcribe-2-Streaming과 음성 합성 모델 MAI-Voice-2.1, MAI-Voice-2.1-Flash를 공개했다. 전사 모델은 Artificial Analysis 스트리밍 순위표의 38개 모델 중 오류율 2.51%로 1위이고, 발화가 끝난 뒤 0.13초 만에 최종 전사를 내놓는다.
대화형 영상 AI 기업 Tavus가 첫 ‘인간 상호작용 모델’ Griffin을 발표했다. Griffin은 사람의 말과 표정을 실시간으로 보고 들으면서 얼굴과 목소리를 함께 생성한다. 1분 화상 통화 실험에서 참가자 54명 중 26명(48%)이 상대를 실제 사람으로 판단했고, 이전 시스템은 41명 중 1명(2.4%)이었다. Tavus는 사람을 속일 수 있다는 위험 때문에 고객 공개를 보류하고 일부 테스터에게만 연구 프리뷰를 제공한다.
구글이 텍스트를 음성으로 바꾸는 모델 두 종을 공개했다. 3.8 Flash TTS로는 목소리를 새로 설계하고 대사마다 연기를 지시할 수 있고, 3.8 Flash-Lite TTS는 대량 생산을 위해 단가를 낮췄다. 발표문과 모델 카드, 평가 방법론 문서, API 문서와 가격표로 확인한 내용을 정리했다.
구글이 실시간 음성 모델 두 종을 내놓았다. 저렴한 3.8 Live와 복잡한 과제를 수행하는 3.8 Live Extended Thinking이다. 이름은 체급 차이를 암시하지만 모델 카드에는 둘 다 Gemini 3 Pro에 기반한다고 적혀 있고, 가격표의 단가도 같다. 2026년 9월 16일 기준 공식 발표와 모델 카드, 가격표로 확인한 내용을 정리했다.
GPT-Live-1은 듣는 동안 동시에 말하는 실시간 음성 모델이다. 기본 음성은 22종이고, 자격을 받으면 자기 목소리도 등록할 수 있다. 요금은 토큰으로 매기지 않고 세션이 열려 있는 시간으로 매기며, 아무도 말하지 않는 침묵 구간도 똑같이 과금된다. 2026년 9월 13일 기준 공식 문서로 확인한 내용을 정리했다.
음성 대화·Live2D 아바타·비전 인식을 합쳐 오프라인에서도 돌아가는 AI 컴패니언 오픈소스 프로젝트. closed-source neuro-sama를 오픈소스 스택으로 재현하려는 시도에서 출발했다.