audio.cpp ist ein C++-basiertes Framework für lokale Audio-KI-Inferenz, das mit Release 0.6 auf 49 Modellfamilien und über 70 Varianten angewachsen ist. Neben den fünf Neuaufnahmen der Version 0.6 — dots.tts, NeuTTS-2e, MuScriptor (Music-to-MIDI), MiniMax-H3 und SenseVoice-Small — haben Community-Beitragende seitdem weitere Modelle nachgereicht: Irodori-TTS v4, IndexTTS 2.5, ACE-Step 1.5 XL und MiniMax-Music3. Ein zentrales technisches Highlight ist die MiniMax-H3-Implementierung, die das Framework-interne Ökosystem für Diffusion-Transformer-Modelle (DiT) erheblich ausbaut: Optimierungen wie SageAttention, First Block Cache und Spectrum, die bislang manuell konfiguriert werden mussten, lassen sich nun per einfachem Parameteraufruf aktivieren. Die Performance-Charakteristik ist in der Datei docs/reports/minimax_h3_performance.md im Repository dokumentiert. Ein unerwartetes Nebenprodukt der MiniMax-H3-Integration ist die experimentelle Unterstützung von Video-Frames, da das zugrundeliegende DiT Audio- und Video-Latents gemeinsam generiert — Output erfolgt derzeit als Roh-RGB-Daten plus JSON-Metadaten ohne Post-Processing. MiniMax-Music3 befindet sich noch im Preview-Zweig (preview/minimax-music-3) und wurde auf CUDA, Vulkan und HIP getestet. Neu ist außerdem eine native WebUI, umgesetzt durch Contributor mirek190, sowie die Veröffentlichung des Quellcodes für VibeVoice 1.5B auf dem vibevoice-optimizations-Branch.