Gradium 发布 Voice Design:仅凭文字描述,几秒生成全新合成语音开发AI语音代理时,开发者常会卡在音色选择环节。现成TTS音色库数量再多,很难覆盖小众场景需求:比如魁北克法语本地前台、带有讲师厚重感的老年叙述人声。传统语音克隆又绕不开音源采集、版权授权的麻烦,很难...早报语音模型# Gradium# Voice Design2个月前800
微软开源 VibeVoice‑ASR‑Streaming:端到端流式多人语音转写,输出稳定发言人标签微软研究院正式开源了 VibeVoice-ASR-Streaming,这是一款端到端的流式语音识别模型。它打破了传统“先转录后分离”或“双模块拼接”的局限,能够在音频输入的同时,实时输出带有准确说话人...语音模型# VibeVoice‑ASR‑Streaming# 微软2个月前870
微软自研语音转录模型MAI‑Transcribe‑2正式上线:每音频小时仅0.1美元,速度、精度、价格全面对标OpenAI、谷歌、ElevenLabs微软AI于本周四推出新一代语音识别产品 MAI‑Transcribe‑2。官方宣称该模型在速度、准确率以及定价层面全面优于 OpenAI、Google、ElevenLabs 的转录服务,并且打出每音频...早报语音模型# MAI‑Transcribe‑2# 微软# 语音转录模型2个月前990
Meta 发布 Muse Voice Transcribe:MSL 首个实时音频感知模型,70余种语言实时流式语音转写Meta超智能实验室(MSL)正式推出旗下第一款面向实时音频感知的大模型——Muse Voice Transcribe。作为Muse Spark家族一员,这款模型把流式语音识别、多人说话人区分、语音端...早报语音模型# Meta# Muse Voice Transcribe2个月前1020
BreezeBlue开源Breeze‑TTS‑2 :实时流式双语语音大模型,可凭空捏声、精细操控情绪表演由前 MiniMax 技术合伙人杨斌创立的 BreezeBlue 正式开源了 Breeze-TTS-2。这是一个专为实时语音交互设计的开放权重文本转语音(TTS)模型,在 Artificial Ana...语音模型# Breeze‑TTS‑2# BreezeBlue2个月前1240
小红书团队推出FireRedAudio 9B音频大模型,一套主干同时搞定音频理解与语音生成小红书旗下FireRedTeam发布通用音频语言模型 FireRedAudio。它以90亿参数的LLM作为共享主干,创新性采用解耦连续表示架构,把音频识别理解、语音生成编辑能力放进同一个模型当中,解决...语音模型# FireRedAudio# FireRedTeam# 小红书2个月前1190
谷歌发布语音转录模型Gemini 3.5 Transcribe :实时低延迟、智能净化口语,85+语言支持谷歌正式推出全新语音转文本模型 Gemini 3.5 Transcribe,也是目前谷歌精度最高的转录产品,主打智能实时语音交互。不同于传统语音识别难以应对背景噪音、口语卡顿、专业术语的痛点,这款模型...早报语音模型# Gemini 3.5 Transcribe# 语音转录模型# 谷歌2个月前1400
仅 462MB!Superwhisper开源文本归一化器S1‑mini ,把 ASR 原始口语转录稿一键转为干净书面文本S1-mini 是 Superwhisper 最新推出的 S1 系列模型中的开放权重成员。它是一个基于 Qwen3-0.6B 微调的轻量级大语言模型,专门用于文本归一化(Text Normalizat...语音模型# S1‑mini# Superwhisper2个月前700
Cartesia 发布 Sonic-3.6:流式 TTS 新标杆,双榜登顶 Artificial AnalysisCartesia 正式发布了其最新实时文本转语音(TTS)模型 Sonic-3.6。作为 Sonic-3.5 发布仅三个月后的迭代版本,Sonic-3.6 在自然度上实现了显著突破,并在权威评测平台 ...语音模型# Cartesia# Sonic-3.62个月前2670
MiniMax开源MiniMax Music 3 :支持 5 分钟完整歌曲生成,采用混合 LLM 架构稀宇科技(MiniMax)继开源视频模型 MiniMax H3 后,今日正式开源其最新音乐生成模型 MiniMax Music 3。该模型能够根据歌词和详细的音乐描述,生成长达五分钟、结构连贯且富有表...语音模型# MiniMax# MiniMax Music 32个月前1430
B站 IndexTTS-2.5 全球发布:零样本克隆支持五语种,推理速度提升 2.28 倍B站 Index 项目组今日正式推出 IndexTTS-2.5,这是其零样本文本转语音(TTS)系统的最新迭代版本。相较于前代产品,IndexTTS-2.5 在保持高保真音色克隆和情感复制能力的基础上...语音模型# B站# IndexTTS-2.53个月前1610
英伟达开源NVIDIA NemotronLabs VoiceChat 11B:450毫秒延迟的开放全双工语音模型英伟达发布了 NemotronLabs VoiceChat 11B,这是一个开放的端到端语音到语音模型。它抛弃了传统的“语音识别 (ASR) → 大语言模型 (LLM) → 语音合成 (TTS)”级联...语音模型# NVIDIA NemotronLabs VoiceChat 11B# 英伟达3个月前1110