语音模型

实时语音翻译的核心挑战在于如何在翻译质量与系统延迟之间取得最佳平衡。传统方法通常需要大量精细标注的词级对齐数据来指导模型何时开始翻译，这不仅成本高昂，也极大地限制了模型向新语言的扩展能力。 为彻底解决...

蚂蚁集团 inclusionAI 团队近期正式发布了 Ming-omni-tts，这是一款设计简洁、运行高效的统一音频生成模型。它不仅可以在单一框架内合成高质量的语音，还能同时生成音乐与各类环境声音...

Soul AI Lab（中国）联合吉利汽车研究院、天津大学及西北工业大学，共同发布了一款高保真、零样本歌声合成模型——SoulX-Singer。这款模型的核心优势的是，无需对未见歌手进行任何微调，就能...

在 AI 语音模型（TTS/ASR）领域，音频分词器（Audio Tokenizer）的效率直接决定训练速度、推理延迟与生成质量。传统方案如 EnCodec、DAC 虽能压缩音频，但令牌率高、采样率低...

Mistral AI 推出全新 Voxtral Transcribe 2 系列语音转文本（ASR）模型，包含面向批量离线处理的 Voxtral Mini Transcribe V2 和专为低延迟实时场...

ACE Studio联合阶跃星辰（StepFun）重磅发布ACE-Step v1.5，这是一款专为消费级硬件打造的高效开源音乐基础模型，首次将商业级音乐生成能力下沉到普通硬件环境。该模型不仅在核心评估...

Qwen（通义千问）团队正式开源全新一代语音技术方案——Qwen3-ASR系列语音识别模型与Qwen3-ForcedAligner强制对齐模型。该系列包含Qwen3-ASR-1.7B、Qwen3-AS...

微软正式开源 VibeVoice-ASR——一款面向真实场景的统一语音识别模型。它能单次处理长达60分钟的连续音频，并输出包含说话人身份、精确时间戳与文本内容的结构化转录结果，同时支持用户注入自定义热...

在语音生成技术快速迭代的当下，开发者与用户对高保真、可定制、低延迟的语音合成方案需求日益迫切。阿里Qwen项目组推出的 Qwen3-TTS 开源全家桶，凭借音色克隆、音色创造、拟人化语音生成与自然语言...

长期以来，语音对话 AI 面临一个根本性矛盾： 传统级联系统（ASR → LLM → TTS）允许你自定义角色和声音，但对话僵硬、延迟高、无法被打断； 全双工模型（如 Moshi）实现了自然的话轮转换...

在虚拟人交互与语音合成领域，兼顾低延迟、高保真语音克隆、多轮对话理解的模型一直是技术难点。由FlashLabs开发的 Chroma 1.0 正是一款突破性的多模态因果语言模型，它不仅能直接处理音频输入...

如果你曾幻想过——只需输入一段歌词和一句描述（如“一首欢快的流行歌，吉他伴奏，副歌要有电子音效”），AI 就能生成一首结构完整、音质高保真的歌曲——那么 HeartMuLa 项目正将这一愿景变为现实...