SD百科导航
  • 首页
  • 快讯
  • 早报
  • 模型
  • ComfyUI
  • 新技术
  • 百科
    • 教程
    • 硬件
    • 科普
  • 百科工具
    • 工具
  • 排行榜
    • 首页
    • 快讯
    • 早报
    • 模型
    • ComfyUI
    • 新技术
    • 百科
      • 教程
      • 硬件
      • 科普
    • 百科工具
      • 工具
    • 排行榜

    语音模型

    共 209 篇文章
    包括文本生成音频、音乐生成模型
    百科工具模型ComfyUIAI合集web UI提示词
    大语言模型多模态模型图像模型语音模型3D模型Flux衍生视频模型世界模型决策模型
    排序
    发布更新浏览点赞
    Gradium 开源 Phonon 端侧 TTS 模型:仅 31M 参数 Apache2.0 许可,CPU 本地极速语音合成

    Gradium 开源 Phonon 端侧 TTS 模型:仅 31M 参数 Apache2.0 许可,CPU 本地极速语音合成

    Gradium(一家从 Kyutai 分拆出的巴黎语音 AI 公司)近日正式开源了 Phonon,这是一个专为设备端(On-device)运行设计的超轻量级文本到语音(TTS)模型家族。该模型旨在让开...
    语音模型# Gradium# honon 40m# Phonon
    5天前
    250
    IBM 发布 Granite Speech 5.0 2B:Apache2.0 开源语音模型,支持 6 种语言语音转写 + 翻译

    IBM 发布 Granite Speech 5.0 2B:Apache2.0 开源语音模型,支持 6 种语言语音转写 + 翻译

    IBM 发布了 Granite Speech 5.0 2B,这是一款全新的开源语音语言模型,专注于多语言语音转录与翻译。该模型在 Apache 2.0 许可证下发布,支持将 6 种语言的语音转化为文本...
    语音模型# Granite Speech 5.0 2B# IBM
    5天前
    190
    蚂蚁百灵开源 Ming-3.0 五大音频模型,覆盖 TTS、ASR、多模态音频三大语音产品线

    蚂蚁百灵开源 Ming-3.0 五大音频模型,覆盖 TTS、ASR、多模态音频三大语音产品线

    蚂蚁百灵(inclusionAI)今天开源了 5 个 Ming-3.0 模型。该系列跨越语音合成(TTS)、语音识别(ASR)和音频理解(Audio)三个家族,为会议、采访、客户通话及语音驱动服务提供...
    语音模型# Ming-3.0# 蚂蚁百灵
    1周前
    310
    小米开源MiDashengLM-Spatial:业界首个端到端空间音频理解大模型,Apache2.0协议开放权重与代码

    小米开源MiDashengLM-Spatial:业界首个端到端空间音频理解大模型,Apache2.0协议开放权重与代码

    小米推出Dasheng音频大模型家族新成员 MiDashengLM-Spatial,完整开放模型权重与推理代码,采用Apache 2.0开源许可证。该模型是业界首个开源端到端空间音频理解大模型,在原有...
    语音模型# MiDashengLM-Spatial# 小米
    2周前
    270
    Fish Audio发布Drama 3 :情感表现力升级TTS,发音稳健性榜单第一,权重开源

    Fish Audio发布Drama 3 :情感表现力升级TTS,发音稳健性榜单第一,权重开源

    Fish Audio 正式推出 Drama 3,是该系列情感表现力最强的文本转语音模型,相比前代 S2.1 Pro 情感层次大幅提升;在 Artificial Analysis 发音稳健性评测拿到第一...
    语音模型# Drama 3# Fish Audio
    2周前
    280
    谷歌发布DiarizationLM-Gemma-4-E4B-v1:4B参数大模型,用于说话人分离后处理校正

    谷歌发布DiarizationLM-Gemma-4-E4B-v1:4B参数大模型,用于说话人分离后处理校正

    谷歌在Hugging Face放出 DiarizationLM-Gemma-4-E4B-v1,这是基于Gemma 4 E4B(4B密集参数)微调得到的说话人分离后处理大模型,专门用来修正ASR转录结果...
    语音模型# DiarizationLM-Gemma-4-E4B-v1# 谷歌
    3周前
    580
    微软发布三款MAI语音模型:实时转录MAI-Transcribe-2-Streaming登顶榜单,端到端低延迟打造实时对话智能体

    微软发布三款MAI语音模型:实时转录MAI-Transcribe-2-Streaming登顶榜单,端到端低延迟打造实时对话智能体

    微软扩充自研MAI语音模型产品线,一次性推出三款面向低延迟实时对话智能体的全新模型:MAI-Transcribe-2-Streaming、MAI-Voice-2.1、MAI-Voice-2.1-Fla...
    早报语音模型# MAI-Transcribe-2-Streaming# MAI-Voice-2.1# MAI-Voice-2.1-Flash
    4周前
    580
    B 站 Index 项目组发布 Index-Translate 翻译大模型系列:覆盖 148 种语言,配套语音翻译、配音时长控制、超长小说翻译衍生模型

    B 站 Index 项目组发布 Index-Translate 翻译大模型系列:覆盖 148 种语言,配套语音翻译、配音时长控制、超长小说翻译衍生模型

    B站 Index 项目组正式推出 Qwen3.5 构建的Index-Translate 系列多语言翻译模型家族,以主力文本翻译模型为核心,延伸出语音翻译、配音长度控制、长文档翻译三大衍生模型,构建覆盖...
    语音模型# Index# Index-Translate
    4周前
    1950
    Edge0 开源 Audio8-ASR-Infinite:中英双语流式语音识别,支持 7×24 小时不间断长音频转写

    Edge0 开源 Audio8-ASR-Infinite:中英双语流式语音识别,支持 7×24 小时不间断长音频转写

    Edge0 开源 Audio8-ASR-Infinite,一款面向实时场景的原生流式中英双语语音识别模型,主打超低延迟+无限时长持续转写,依靠循环滑动缓存,解决长时间音频识别出现的文本漂移、显存溢出问...
    语音模型# Audio8-ASR-Infinite# edge0
    4周前
    740
    蚂蚁百灵开源 Realtime-Venus:支持异步任务委派的全双工视听实时交互系统

    蚂蚁百灵开源 Realtime-Venus:支持异步任务委派的全双工视听实时交互系统

    蚂蚁百灵发布 Realtime-Venus,一套支持异步任务委派的全双工音视频交互系统。核心设计是将实时全双工对话模型与异步任务执行框架解耦,用户可以在下达任务之后继续和助手交谈,后台并行处理耗时工作...
    语音模型# Realtime-Venus# 蚂蚁百灵
    4周前
    710
    英伟达发布 Nemotron 3 Diarization:100M 参数开源说话人分离模型,实时识别最多 8 人重叠对话

    英伟达发布 Nemotron 3 Diarization:100M 参数开源说话人分离模型,实时识别最多 8 人重叠对话

    英伟达在 Hugging Face 上线 Nemotron 3 Diarization,一款开放权重的说话人分轨(Diarization)模型,用来识别音频中谁在什么时间段说话,可处理多人声音重叠场景...
    语音模型# Nemotron 3 Diarization# 英伟达
    1个月前
    590
    谷歌发布TTS模型 Gemini 3.8 Flash / Flash-Lite :动态语音创意工作室,支持自然语言创声与逐行表演指导

    谷歌发布TTS模型 Gemini 3.8 Flash / Flash-Lite :动态语音创意工作室,支持自然语言创声与逐行表演指导

    谷歌今天发布两款全新文本转语音模型 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS,将语音生成从固定预设音色升级为动态声音创意工作台,赋能创作者、开发...
    早报语音模型# Gemini# Gemini 3.8 Flash TTS# Gemini 3.8 Flash-Lite TTS
    1个月前
    710
    加载更多

    网址

    日榜周榜月榜
    LoginFlip

    LoginFlip

    LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
    天府智能体 (Tianfu Agent) 

    天府智能体 (Tianfu Agent) 

    天府智能体 (Tianfu Agent) 作为全球首个专为深度命理推理设计的智能体,它并非简单的聊天机器人,而是一个融合了紫微斗数、子平八字、奇门遁甲三大传统术数体系的复杂 AI 系统。
    ITELLOU

    ITELLOU

    ITELLYOU(也称为NEXT, ITELLYOU)是一个专注于提供微软原版软件资源的非官方网站,主要帮助用户获取未经修改的微软产品镜像,如Windows操作系统、Office办公软件和开发工具等。
    TapNow

    TapNow

    TapNow是一个面向创作者的专业级 AI 视觉内容平台,支持从脚本撰写、分镜头设计到高保真成片输出的完整流程,单人即可在 1–3 天内完成传统需 4–6 周的影视级项目。
    Open ASR 排行榜

    Open ASR 排行榜

    Open ASR 排行榜 对 Hugging Face Hub 上的语音识别模型进行排名和评估。我们报告平均 WER(字错误率)(⬇️ 越低越好)和 RTFx(实时因子)(⬆️ 越高越好),模型根据其平均 WER 从低到高进行排名。
    DSH to Figma

    新DSH to Figma

    DSH to Figma 是 DeepSeek Harness(DSH)的原生插件,搭配配套Figma插件实现本地桥接,把Figma画布能力接入DSH代理。核心优势是本地模式不走Figma官方MCP,不消耗官方调用额度,可以直接读取、编辑画布、截图、导出素材。
    查看完整榜单
    SD百科导航
    SD百科导航是专注于AI创作领域的专业导航网站。我们全面涵盖Stable Diffusion、Flux、AI绘画、AI视频、AI音乐以及大语言模型等前沿内容。

    关于我们友链申请广告合作

    扫码关注微信公众号SD百科导航
    扫码关注微信公众号
    Copyright © 2026 SD百科导航 皖ICP备18025588号-5  皖公网安备34040002000401 
    网址
    网址文章软件模型
      ↵ENTER↓↑NAV

      网址

      日榜周榜月榜
      LoginFlip

      LoginFlip

      LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
      天府智能体 (Tianfu Agent) 

      天府智能体 (Tianfu Agent) 

      天府智能体 (Tianfu Agent) 作为全球首个专为深度命理推理设计的智能体,它并非简单的聊天机器人,而是一个融合了紫微斗数、子平八字、奇门遁甲三大传统术数体系的复杂 AI 系统。
      ITELLOU

      ITELLOU

      ITELLYOU(也称为NEXT, ITELLYOU)是一个专注于提供微软原版软件资源的非官方网站,主要帮助用户获取未经修改的微软产品镜像,如Windows操作系统、Office办公软件和开发工具等。
      TapNow

      TapNow

      TapNow是一个面向创作者的专业级 AI 视觉内容平台,支持从脚本撰写、分镜头设计到高保真成片输出的完整流程,单人即可在 1–3 天内完成传统需 4–6 周的影视级项目。
      Open ASR 排行榜

      Open ASR 排行榜

      Open ASR 排行榜 对 Hugging Face Hub 上的语音识别模型进行排名和评估。我们报告平均 WER(字错误率)(⬇️ 越低越好)和 RTFx(实时因子)(⬆️ 越高越好),模型根据其平均 WER 从低到高进行排名。
      DSH to Figma

      新DSH to Figma

      DSH to Figma 是 DeepSeek Harness(DSH)的原生插件,搭配配套Figma插件实现本地桥接,把Figma画布能力接入DSH代理。核心优势是本地模式不走Figma官方MCP,不消耗官方调用额度,可以直接读取、编辑画布、截图、导出素材。
      查看完整榜单