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# Phonon5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# IBM5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(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 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 Audio2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-Flash4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-Translate4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,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# edge04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 TTS1个月前710