13 bài đã kiểm chứng về AI giọng nói, sản phẩm và diễn biến ngành.
Gemini 3.5 Transcribe của Google đạt tỷ lệ lỗi từ 2,6%, gộp việc dọn văn bản và định dạng vào ngay trong mô hình chuyển giọng nói, nhưng giá cả và giới hạn phân biệt người nói vẫn còn bỏ ngỏ.
Qwen-Audio-3.0-Realtime thêm gọi công cụ vào tương tác giọng nói thời gian thực. Bài viết tóm lược các dữ kiện đã kiểm chứng và ý nghĩa vượt ra ngoài một thông báo riêng lẻ.
ChatGPT Voice chuyển sang GPT-Live được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
Bland nói đã xử lý 175 triệu cuộc gọi năm ngoái và hiện đạt khoảng 3,5 triệu cuộc gọi mỗi tuần.
Vapi raised a $50 million Series B after Amazon Ring chose its voice AI stack over dozens of alternatives for inbound support calls.
Wispr Flow gọi vốn mới cho AI giọng nói. Bài viết tóm tắt thông báo, bối cảnh chiến lược và rủi ro thực tế với người dùng hoặc doanh nghiệp liên quan.
ElevenLabs nâng Series D lên hơn 550 triệu USD ở mức định giá 11 tỷ USD, nhưng tín hiệu đáng chú ý hơn là ARR mảng AI giọng nói doanh nghiệp tăng 43% trong ba tháng.
OpenAI làm mới Realtime API với mô hình giọng nói vừa nói vừa suy luận, dịch trực tiếp và chuyển giọng nói thành văn bản theo luồng.
Mô hình grok-voice-think-fast-1.0 của xAI đạt 67,3% trên chuẩn τ-voice Bench, bỏ xa đối thủ, và đã được triển khai thực tế trong hệ thống dịch vụ khách hàng của Starlink với tỷ lệ tự động hóa 70%.
xAI ra mắt API âm thanh Grok với tỷ lệ lỗi thấp. Bài viết tóm tắt thông báo, bối cảnh chiến lược và rủi ro thực tế với người dùng hoặc doanh nghiệp liên quan.
Alibaba Qwen Team đã phát hành Qwen3.5-Omni, mô hình toàn diện đầu tiên của họ có khả năng xử lý văn bản, hình ảnh, âm thanh và video trong một kiến trúc duy nhất, với tính năng nhân giọng nói thời gian thực.
Mistral ra mắt Voxtral TTS, mô hình chuyển văn bản thành giọng nói đầu tiên với 4B tham số, trọng số mở, được đánh giá tự nhiên hơn ElevenLabs Flash v2.5 và ngang hàng với ElevenLabs v3.
Google vừa phát hành Gemini 3.1 Flash Live, một mô hình âm thanh gốc từ đầu vào đến đầu ra, thay thế hoàn toàn quy trình ASR-LLM-TTS truyền thống, giúp giảm độ trễ và hỗ trợ ngắt lời.