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
    多说话人音频生成框架ScenA:一句话生成多人真实对话,自带环境音与重叠人声

    多说话人音频生成框架ScenA:一句话生成多人真实对话,自带环境音与重叠人声

    Lightricks与特拉维夫大学联合推出ScenA,一种无需结构化脚本、仅凭自由文本描述+多段参考语音即可生成完整多人对话音频的AI框架。其核心创新在于将流匹配基础模型(预训练于大规模野外数据)直接...
    语音模型# ScenA
    3个月前
    750
    Audio8推出Audio8-ASR-0.1B:0.1B参数多语言ASR模型,支持iOS本地转录与边缘部署

    Audio8推出Audio8-ASR-0.1B:0.1B参数多语言ASR模型,支持iOS本地转录与边缘部署

    Audio8推出Audio8-ASR-0.1B,一款专为LLM时代设计的紧凑型自回归语音识别模型。其语言模型组件仅0.1B参数,端到端唯一参数约0.324B,支持中文、英语、法语、德语、日语、韩语及粤...
    语音模型# Audio8# Audio8-ASR-0.1B
    3个月前
    2220
    AI 作曲系统SymphonyGen:具有可控和声骨架的3D层次化管弦乐生成

    AI 作曲系统SymphonyGen:具有可控和声骨架的3D层次化管弦乐生成

    让 AI 写一首流行歌或钢琴曲,现在已经不算稀奇。但如果让 AI 写一部交响乐——那种有几十种乐器、十几个声部、要持续演奏几十分钟的宏大作品——难度就完全不一样了。 交响乐创作之所以难,是因为它同时涉...
    语音模型# AI 作曲# SymphonyGen# 电影配乐
    3个月前
    1200
    VocalRender:乐谱即歌声,通过交错表示实现自然的转音与情感表达

    VocalRender:乐谱即歌声,通过交错表示实现自然的转音与情感表达

    在传统的歌声合成(SVS)系统中,作曲家往往需要花费大量精力去调整每个音素的时长、对齐 F0 曲线或提供复杂的参考音频。VocalRender 由西安交通大学、南洋理工大学、蚂蚁集团和浙江大学的研究人...
    语音模型# VocalRender
    3个月前
    1300
    MeanVC2:110ms 超低延迟,鲁棒流式零样本语音转换

    MeanVC2:110ms 超低延迟,鲁棒流式零样本语音转换

    由西北工业大学软件学院音频、语音与语言处理组、新南威尔士大学及 WeNet 开源社区联合推出的 MeanVC2,标志着流式语音转换(Voice Conversion, VC)技术在低延迟与高保真度之间...
    语音模型# MeanVC2
    3个月前
    2110
    Irodori-TTS-v4-Small:用 Emoji 控制语气的日语零样本语音克隆模型

    Irodori-TTS-v4-Small:用 Emoji 控制语气的日语零样本语音克隆模型

    日本个人开发者 Aratako 最新推出了 Irodori-TTS-v4-Small,这是一个基于修正流扩散 Transformer(RF-DiT)架构的日语文本转语音(TTS)模型。 GitHub...
    语音模型# Irodori-TTS-v4-Small# TTS# 日语
    3个月前
    1330
    微软发布 VibeVoice-ASR-BitNet:无需 GPU,CPU 也能实现多语言实时语音识别

    微软发布 VibeVoice-ASR-BitNet:无需 GPU,CPU 也能实现多语言实时语音识别

    在边缘设备上运行高精度的语音识别(ASR)模型,通常意味着要在“速度”和“准确率”之间做艰难取舍。大多数高性能模型依赖 GPU 加速,而轻量级模型往往牺牲了多语言支持或识别精度。 GitHub:htt...
    语音模型# VibeVoice-ASR-BitNet# 微软
    3个月前
    1260
    Inflect v2:权重仅 16MB 的本地高质量英文 TTS 模型

    Inflect v2:权重仅 16MB 的本地高质量英文 TTS 模型

    在文本转语音(TTS)领域,我们通常需要在“音质”和“体积”之间做妥协。高质量的模型往往动辄几百 MB 甚至 GB,且依赖复杂的外部声码器或云端推理。 GitHub:https://github.co...
    语音模型# Inflect v2# TTS
    3个月前
    1020
    Audio8 TTS Preview:0.6B 参数实现零样本音色克隆的开源语音模型

    Audio8 TTS Preview:0.6B 参数实现零样本音色克隆的开源语音模型

    在文本转语音(TTS)领域,如何在保持高自然度的同时实现快速的音色克隆,一直是技术攻关的难点。Audio8 TTS Preview 提供了一个轻量级且高效的解决方案。这是一个仅拥有 0.6B(6 亿...
    语音模型# Audio8 TTS Preview
    3个月前
    1540
    阿里发布 Qwen-Audio-3.0-ASR-Flash:医疗术语识别率超 95%,错字率仅 1.7%

    阿里发布 Qwen-Audio-3.0-ASR-Flash:医疗术语识别率超 95%,错字率仅 1.7%

    阿里巴巴今天发布了最新的语音识别大模型 Qwen-Audio-3.0-ASR-Flash。 如果说以前的语音识别是“听清你在说什么”,那么这一代的目标就是“听懂你在说什么”,尤其是那些晦涩难懂的专业词...
    早报语音模型# Qwen-Audio-3.0-ASR-Flash# 阿里巴巴
    3个月前
    1610
    Fish Audio 发布 S2.1 Pro:90ms 超低延迟,支持 83 种语言与实时语音克隆

    Fish Audio 发布 S2.1 Pro:90ms 超低延迟,支持 83 种语言与实时语音克隆

    在 AI 语音领域,速度就是生命。 Fish Audio 今天正式推出了其最新的生产级 TTS 模型 S2.1 Pro。这款模型不仅将首次音频输出时间压缩至约 90 毫秒,更支持 83 种语言和高质量...
    语音模型# Fish Audio# S2.1 Pro
    3个月前
    920
    阿里千问发布 Qwen-Audio-3.0-TTS:支持细粒度情感控制与 48KHz 高保真音质

    阿里千问发布 Qwen-Audio-3.0-TTS:支持细粒度情感控制与 48KHz 高保真音质

    阿里巴巴通义千问团队正式发布了新一代语音合成大模型 Qwen-Audio-3.0-TTS。该模型在细粒度情感控制、多语种方言覆盖及声学鲁棒性上实现了系统性突破,旨在让 AI 语音摆脱机械感,具备真正的...
    语音模型# Qwen-Audio-3.0-TTS
    3个月前
    2270
    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。
    BlitzBrowser

    BlitzBrowser

    BlitzBrowser是一款开源无头浏览器管理项目,核心价值在于将各类浏览器封装进Docker容器中,实现便捷的部署、运行与管理,支持本地或云端部署,同时兼容Chrome DevTools协议(CDP)。
    SentrySearch

    SentrySearch

    SentrySearch 将你的 mp4 视频分割成重叠的片段,使用 Google 的 Gemini Embedding API 或本地的 Qwen3-VL 模型将每个片段嵌入为视频,并将向量存储在本地 ChromaDB 数据库中。当你搜索时,你的文本查询被嵌入到同一向量空间中,并与存储的视频嵌入进行匹配。最佳匹配会自动从原始文件中裁剪出来,并保存为一个片段。
    海绵音乐

    海绵音乐

    海绵音乐是由字节跳动最新推出的免费AI音乐创作和分享平台。它旨在利用AI技术生成个性化音乐,让用户能够轻松创作出符合自己风格的音乐作品。
    Adobe Firefly Video

    Adobe Firefly Video

    由 Firefly 视频模型支持,创意专业人士可以从文本提示或图像生成视频片段,控制镜头角度,创建专业质量的图像,并开发自定义运动设计元素。该功能支持 1080p 分辨率,并即将推出 4K 模型。
    WorkflowAI

    WorkflowAI

    WorkflowAI是一个开源平台,供产品和工程团队合作构建和迭代AI功能,可以并行测试和比较80多种领先的人工智能模型,并评估其质量、成本和速度。
    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。
      BlitzBrowser

      BlitzBrowser

      BlitzBrowser是一款开源无头浏览器管理项目,核心价值在于将各类浏览器封装进Docker容器中,实现便捷的部署、运行与管理,支持本地或云端部署,同时兼容Chrome DevTools协议(CDP)。
      SentrySearch

      SentrySearch

      SentrySearch 将你的 mp4 视频分割成重叠的片段,使用 Google 的 Gemini Embedding API 或本地的 Qwen3-VL 模型将每个片段嵌入为视频,并将向量存储在本地 ChromaDB 数据库中。当你搜索时,你的文本查询被嵌入到同一向量空间中,并与存储的视频嵌入进行匹配。最佳匹配会自动从原始文件中裁剪出来,并保存为一个片段。
      海绵音乐

      海绵音乐

      海绵音乐是由字节跳动最新推出的免费AI音乐创作和分享平台。它旨在利用AI技术生成个性化音乐,让用户能够轻松创作出符合自己风格的音乐作品。
      Adobe Firefly Video

      Adobe Firefly Video

      由 Firefly 视频模型支持,创意专业人士可以从文本提示或图像生成视频片段,控制镜头角度,创建专业质量的图像,并开发自定义运动设计元素。该功能支持 1080p 分辨率,并即将推出 4K 模型。
      WorkflowAI

      WorkflowAI

      WorkflowAI是一个开源平台,供产品和工程团队合作构建和迭代AI功能,可以并行测试和比较80多种领先的人工智能模型,并评估其质量、成本和速度。
      查看完整榜单