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 发布 Voice Design:仅凭文字描述,几秒生成全新合成语音

    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 Design
    2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 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 Transcribe
    2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

    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# BreezeBlue
    2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

    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# Superwhisper
    2个月前
    700
    Cartesia 发布 Sonic-3.6:流式 TTS 新标杆,双榜登顶 Artificial Analysis

    Cartesia 发布 Sonic-3.6:流式 TTS 新标杆,双榜登顶 Artificial Analysis

    Cartesia 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-3.6
    2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

    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 3
    2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 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-2.5
    3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
    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。
    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。
    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。
    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。
    PPT Master

    PPT Master

    PPT Master 是一个创新的 AI 辅助视觉内容创作系统,通过多角色协作(策略师、图片生成师、执行师、优化师),实现从内容策划到视觉优化的完整工作流。系统不仅支持生成符合顶尖咨询公司(如麦肯锡、波士顿咨询)标准的商业演示文稿,还支持小红书帖子、朋友圈海报、Instagram 等多种社交媒体和营销物料格式。
    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。
      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。
      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。
      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。
      PPT Master

      PPT Master

      PPT Master 是一个创新的 AI 辅助视觉内容创作系统,通过多角色协作(策略师、图片生成师、执行师、优化师),实现从内容策划到视觉优化的完整工作流。系统不仅支持生成符合顶尖咨询公司(如麦肯锡、波士顿咨询)标准的商业演示文稿,还支持小红书帖子、朋友圈海报、Instagram 等多种社交媒体和营销物料格式。
      查看完整榜单