"Wall Street'in Kurdu" olarak bilinen Jordan Belfort'un yatırımcı Shervin Pishevar ile kurduğu Tone, satış aramalarını otomatikleştiren yapay zekâ ses girişimi için 10 milyon dolar topladı. Şirket ikna edici satışçıların ses tonu tekniklerini taklit ediyor; müşterileri arasında hukuk büroları, sağlık sigortacıları ve otomobil bayileri var.
ElevenAgents Campaign Manager; satış, müşteri tutma, hasta bakımı ve tahsilat gibi alanlarda yapay zekâ ajanlarıyla dış arama kampanyaları yürütüyor. Aramalar arasında bağlamı koruyup kişilerle zaman içinde yeniden iletişime geçiyor.
Meta, Connect 2026'da ön izlemesini gösterdiği gerçek zamanlı ses ve ifadeli avatar özelliğini Muse uygulamasının mobil, web ve Mac sürümlerine getiriyor; avatar sohbetin tonuna uygun mimik ve jestler yapıyor. Yüzlerce ses stili sunan özellik konuşmanın ortasında araya girmeyi destekliyor ve önce ABD'de açılıyor.
xAI'ın sohbet botu Grok'a telefon araması yapma yeteneği geldi; bu bilgi X'teki resmî Grok Bot hesabından duyuruldu. Yeni özellikle Grok yazılı etkileşimin ötesine geçerek telefon üzerinden sesli iletişim kurabiliyor.
Hume AI'ın Audio Decision API'si, transkripte dönüştürmeden ham sesi doğrudan işleyerek konuşma ve sesle ilgili özel sorulara gerçek zamanlı olasılık puanlarıyla yanıt veriyor ve yeniden eğitim gerektirmiyor. Arayanın sinirlendiğini fark etme ve yapay zekâ ile üretilmiş sesleri belirleme gibi kullanımları olan model, insan değerlendirmeleriyle yüzde 70,7 uyum gösterdi.
1,5 milyar dolar değerlemeli toplantı not uygulaması Granola, Mac için dikte özelliğini yayımlayarak 2 milyar dolar değerlemeli Wispr ile doğrudan rekabete girdi. "Fn" tuşuyla açılan araç konuşulan metni düzenliyor ve tüm uygulamalarda çalışıyor; iOS ve Windows desteği yakında geliyor.
Jack, ses etkileşimini gerçekten insan gibi hissettirmeyi amaçlayan, aynı anda dinleyip konuşabilen yapay zekâ konuşma modeli Dessa'yı duyurdu; model duygu, nüans, duraklama ve ritim gibi doğal konuşma öğelerini destekliyor. Dessa, bulut altyapısına ihtiyaç duymadan bir MacBook'ta yerel olarak çalışacak kadar küçük.
Voxtral 3; konuşmacı ayırmalı çok dilli yazıya döküm modeli, 35'ten fazla dilde duyguya uyum sağlayan ses sentezi modeli ve dinleme, düşünme, araç çağırma ve konuşmayı tur başına bir saniyenin altında yapan bir SDK'dan oluşuyor. Yazıya döküm dakikası 0,0035 dolardan, ses sentezi milyon karakter başına 13 dolardan başlıyor.
Yelp'in Check for Me özelliğinde kullanıcı kişi sayısını ve telefon numarasını giriyor, yapay zekâ ajanı restoranı arayıp sonucu mesajla bildiriyor. Uygulamaya OpenTable ile rezervasyon, özel hatırlatıcılar ve haftalık öneriler de geliyor; işletmelere yönelik Smart Lead Reply aracı ayda 30 dolar.
xAI'ın Grok Voice 3.0'ı, Artificial Analysis'in sesten sese endeksinde 86,9 puanla birinci sırada yer alıyor ve bir saniyenin altında gecikmeyle çalışıyor. Model Tesla araçlarında günde milyonlarca konuşmaya güç veriyor, Starlink'te günlük 20 bin müşteri aramasının yüzde 70'ini insansız çözüyor; fiyatı dakikası 0,08 dolar.
Sesame, iOS ve Android uygulamalarında yeni bir ses modeliyle çalışan asistanının önizlemesini yayımladı; her ajanın artık kendi bilgisayarı var, araç kullanabiliyor, başka ajanları yönetebiliyor ve Google uygulamalarına bağlanabiliyor. Şirket ayrıca Japonya'da elde üretilecek çerçevelerle gün boyu takılacak yapay zekâ gözlükleri planını açıkladı.
MAI-Transcribe-Streaming, Artificial Analysis doğruluk sıralamasına birinci sıradan girdi; 60 dilde gerçek zamanlı döküm yapıyor, ilk tahmini 100 milisaniye civarında veriyor ve saatlik fiyatı 0,54 dolar. Microsoft ayrıca 23 dili destekleyen MAI-Voice-2.1'i milyon karakter başına 22 dolara, daha hızlı MAI-Voice-2.Flash'ı 15 dolara sundu.
Kurumsal müşterilere açılan Mercury Voice, ilk yanıt tokenını ortalama 320 milisaniyede veriyor; bu GPT-6 Luna'dan 5,9 kat daha hızlı. 128 bin token bağlamı ve üç akıl yürütme seviyesi olan model, milyon girdi tokenı başına 0,20 dolar, çıktı başına 0,75 dolar fiyatla dakikalık konuşma başına yaklaşık 0,009 dolara geliyor.
Eleven v4 senaryoyu kimin konuştuğunu ve önceki satırları dikkate alarak okuyor; 90'dan fazla dili, birden çok konuşmacıyı ve [laughs], [whispers] gibi ses etiketlerini destekliyor, SSML break etiketleri ise kapatıldı. Canlı aramalar ve ses ajanları için tasarlanan Eleven v4 Turbo yaklaşık 100 milisaniyelik ortalama çıkarım gecikmesi sunuyor.
ElevenLabs for Students; ABD, Kanada, AB, Avustralya ve Birleşik Krallık'taki 18 yaş üstü üniversite öğrencilerine ElevenCreative, ElevenAgents ve ElevenAPI'ye üç ay ücretsiz erişim ile bir yıllık ElevenReader Ultra veriyor. Şirketin eğitimci topluluğuna yaklaşık 50 ülkeden 350'den fazla akademisyen katıldı.
Gemini Enterprise'da kullanıma açılan Live Avatar, gerçek zamanlı video üretimini konuşmayla birleştirerek dinleyen, gören ve konuşan animasyonlu karakterler oluşturuyor; tek bir referans görselden özel avatar yapılabiliyor. Sistem 97 dili destekliyor ve tüm çıktılar SynthID filigranı taşıyor.
ChatGPT Voice artık e-posta, takvim ve Slack gibi eklentileri kullanabiliyor ve GPT-6 Astra, Sol ve Luna modelleriyle çalışabiliyor. Sesli mod web ve mobilde ChatGPT Work içinde de kullanılabiliyor; kullanıcılar sesle belge, sunum, site ve tablo oluşturabiliyor.
Gemini 3.8 Flash TTS ve Flash-Lite TTS 100'den fazla dili destekliyor; doğal dille tarif edilerek özel ses oluşturma, ses örneğinden kopyalama ve satır satır performans yönlendirme sunuyor. Flash TTS, Hume AI'ın Voice Design testinde 71,4 puanla birinci oldu; modeller Gemini API ve Google AI Studio'da kullanılabiliyor.
xAI'ın sohbet botu Grok'a, yazı yerine konuşarak etkileşim kurmayı sağlayan sesli mod eklendi. Özellik önümüzdeki birkaç gün içinde masaüstü ve mobil platformlarda kademeli olarak kullanıma açılıyor; Grok ayrı bir uygulama olarak da indirilebiliyor.
Muse'un beta programı, lansmandan beri en çok istenen özelliklerden biri olan ABD'deki işletmelere giden arama özelliğiyle genişledi; özellik önce bunu asistandan talep eden kullanıcılara açıldı. Ekip, lansmandan sonraki bir haftada küçük arayüz düzeltmelerinden telefon aramasına kadar yüzlerce kullanıcı geri bildirimini ele aldı.
Erken erişimde Hintçe ve İngilizce destekleyen Alexa+, çok adımlı işleri yürütebiliyor, cümle ortasında dil değiştirebiliyor ve Swiggy, District, MakeMyTrip ile JioSaavn gibi yerel hizmetlerle çalışıyor. Erken test döneminin ardından Prime üyelerine ücretsiz olacak, diğer kullanıcılar ayda 2.000 rupi (20,85 dolar) ödeyecek.
Gemini 3.8 Live görsel bağlam, otomatik dil algılama ve arka planda araç çalıştırma sunarken Extended Thinking sürümü, Artificial Analysis'in konuşmadan konuşmaya kalite endeksinde 82,6 puanla birinci oldu ve τ-Voice'ta yüzde 68,6'ya ulaştı. İki model de Gemini API, Google AI Studio ve bazı Workspace uygulamalarında kullanılabiliyor.
GPT-Live-1, konuşmayı yazıya çevirme, dil modeli ve seslendirmeyi zincirlemek yerine sesi tek modelde işliyor; dakikası 0,05 dolar ve karmaşık akıl yürütmeyi GPT-6 Astra gibi modellere devredebiliyor. İlk kullanıcılardan Speak araya girmelerde yüzde 80 azalma bildirdi, bir sağlık şirketi ise 23 bin satır kodu kaldırdı.
ByteDance'in Seed ekibinin geliştirdiği SeedRealtime; ses, görüntü ve metni tek mimaride birleştiren çift yönlü bir dil modeli ve ayrı konuşma tanıma, görsel ve seslendirme modüllerine ihtiyaç duymuyor. Model ne zaman yanıt vereceğine harici kurallar yerine kendisi karar veriyor; sahneleri, konuşanları, duraklamaları ve arka plan konuşmalarını takip ediyor.
Ses ajanı geliştiricilerine yönelik Grok Voice Think Fast 2.0'ın dakikalık ses ücreti 0,08 dolar. Model Artificial Analysis'in sesten sese testinde yüzde 82,9 genel puanla 1.0 sürümünün yüzde 75,7'sini ve GPT-Realtime-2.1'in yüzde 79,1'ini geçti; ilk sese kadar geçen süre 1,25 saniyeden 0,70 saniyeye indi.
Microsoft Foundry'de herkese açık önizlemeye sunulan MAI-Image-2.5-Pro şirketin en yüksek kaliteli görsel modeli; MAI-Voice-2-Flash ise MAI-Voice-2'den iki kat hızlı ve yüzde 32 daha ucuz. Milyon karakter başına 15 dolar olan ses modeli, hızlı ses ajanları ve büyük çağrı merkezi iş yükleri için tasarlandı.