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
    OpenAI 发布三大实时语音模型:GPT-Realtime-2 具备 GPT-5 级推理能力,支持实时翻译与流式转录

    OpenAI 发布三大实时语音模型:GPT-Realtime-2 具备 GPT-5 级推理能力,支持实时翻译与流式转录

    语音交互正在从简单的指令识别迈向复杂的自然对话与任务执行。OpenAI 今日在 API 中正式推出三款全新的音频模型——GPT-Realtime-2、GPT-Realtime-Translate 和 ...
    早报语音模型# GPT-Realtime-2# GPT-Realtime-Translate# GPT-Realtime-Whisper
    6个月前
    2030
    IBM 发布 Granite Speech 4.1 2B:开源、高效、多语言的新一代语音识别模型,支持多语言 ASR 与语音翻译

    IBM 发布 Granite Speech 4.1 2B:开源、高效、多语言的新一代语音识别模型,支持多语言 ASR 与语音翻译

    在企业级自动语音识别(ASR)领域,开发者常面临两难选择:要么使用计算量巨大的高精度模型,要么为了控制预算而牺牲准确性。 IBM 发布的 Granite Speech 4.1 2B 系列模型,这套包含...
    语音模型# Granite Speech 4.1 2B# IBM
    6个月前
    1780
    Sakana AI 发布 KAME:打破“快与智”悖论,实现零延迟且高智商的实时语音对话架构

    Sakana AI 发布 KAME:打破“快与智”悖论,实现零延迟且高智商的实时语音对话架构

    在对话式 AI 领域,开发者长期面临一个残酷的二元选择:要么选择极速响应但知识浅薄的直接语音到语音(S2S)模型,要么选择知识渊博但延迟高达 2 秒以上的级联系统(ASR → LLM → TTS)。 ...
    语音模型# KAME# Sakana AI
    6个月前
    1670
    Inworld AI 发布 Realtime TTS-2:首个“闭环”语音模型,能听懂语气、情绪与非语言声音

    Inworld AI 发布 Realtime TTS-2:首个“闭环”语音模型,能听懂语气、情绪与非语言声音

    传统的文本转语音(TTS)模型大多是为单向输出(如有声读物)设计的,它们只能看到文字,却听不到声音背后的情绪、讽刺或无奈。 官方介绍:https://inworld.ai/blog/realtime...
    早报语音模型# Inworld AI# Realtime TTS-2
    6个月前
    2400
    小米发布ControlFoley :视频配声不再“瞎猜”,实现文字强控与音色分离的精准同步

    小米发布ControlFoley :视频配声不再“瞎猜”,实现文字强控与音色分离的精准同步

    在视频创作中,后期配音和音效制作往往是最耗时且最考验专业技能的环节。现有的 AI 视频生成音频(V2A)工具虽然能自动配声,但常面临两大难题: “不听指挥”:当文字描述与画面内容冲突时,AI 往往忽略...
    语音模型# ControlFoley# 视频配音
    6个月前
    2640
    xAI 发布 Grok Voice Think Fast 1.0:重新定义企业级语音代理

    xAI 发布 Grok Voice Think Fast 1.0:重新定义企业级语音代理

    xAI 正式推出其旗舰级语音模型 grok-voice-think-fast-1.0,标志着 AI 语音代理能力的一次阶跃式变革。该模型专为处理现实世界中复杂、模糊且高风险的多步骤工作流而设计,已在 ...
    语音模型# Grok Voice Think Fast 1.0# xAI
    6个月前
    2140
    OpenMOSS推出MOSS-Audio:支持语音、环境音与音乐理解的开源统一音频理解模型

    OpenMOSS推出MOSS-Audio:支持语音、环境音与音乐理解的开源统一音频理解模型

    由 MOSI.AI、OpenMOSS 团队和上海人工智能实验室联合打造的 MOSS-Audio 正式开源。这是一款专为复杂现实世界音频设计的统一理解模型,不仅支持语音转录,更能深度解析环境声、音乐、情...
    语音模型# MOSS-Audio# OpenMOSS
    6个月前
    3300
    TinyMU:手机端可运行的超轻量音乐理解大模型

    TinyMU:手机端可运行的超轻量音乐理解大模型

    由巴黎综合理工学院和上海交通大学联合研究团队推出的 TinyMU,是一款革命性的轻量化音乐理解大模型。它旨在解决当前音乐 AI 模型参数量巨大、运行成本高、难以部署在边缘设备上的痛点,让“听懂音乐”的...
    语音模型# TinyMU# 音乐理解大模型
    6个月前
    1880
    谷歌发布 Gemini 3.1 Flash TTS:赋予 AI 语音“导演级”控制力

    谷歌发布 Gemini 3.1 Flash TTS:赋予 AI 语音“导演级”控制力

    谷歌正式推出 Gemini 3.1 Flash TTS(文本转语音)预览版模型。这不仅是语音质量的提升,更是一次从“黑盒生成”向“细粒度指令控制”的范式转变。该模型在 Artificial Analy...
    早报语音模型# Gemini 3.1 Flash TTS# 谷歌
    6个月前
    2400
    索尼AI发布开源音效大模型Woosh,48kHz 高保真 AI 音频模型

    索尼AI发布开源音效大模型Woosh,48kHz 高保真 AI 音频模型

    索尼AI 正式开源了 Woosh,一款专为高质量音效生成打造的基础大模型。与市面上许多“黑盒”或低采样率的 AI 音频工具不同,Woosh 不仅完全公开了代码和权重,更在音质、速度和多模态能力上实现了...
    语音模型# Woosh# 索尼AI
    7个月前
    4210
    ACE-Step 1.5 XL 发布:4B 参数 DiT 解码器,定义开源音乐生成新高度

    ACE-Step 1.5 XL 发布:4B 参数 DiT 解码器,定义开源音乐生成新高度

    ACE Studio 联合 阶跃星辰 (StepFun) 正式推出 ACE-Step 1.5 XL 系列模型。这是 ACE-Step 家族的重大升级,引入了拥有 40 亿 (4B) 参数 的 DiT ...
    语音模型# ACE-Step 1.5 XL
    7个月前
    7390
    面壁智能发布 VoxCPM2:20亿参数、无离散 Tokenizer 的开源语音合成新标杆

    面壁智能发布 VoxCPM2:20亿参数、无离散 Tokenizer 的开源语音合成新标杆

    面壁智能 (ModelBest) 正式发布了 VoxCPM2,一款基于连续表征(Continuous Representation)的多语言语音合成模型。作为 VoxCPM 系列的最新迭代,VoxCP...
    语音模型# TTS# VoxCPM2# 面壁智能
    7个月前
    5100
    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)。
    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。
    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。
    Whisk

    Whisk

    Whisk 是谷歌最新的 Google Labs 实验,允许用户通过输入或创建传达主题、场景和风格的图像,轻松组合并重新混合这些元素,生成独一无二的作品。Whisk 结合了 Imagen 3 的图像生成能力和 Gemini 的视觉理解和描述能力,使用户能够以有趣的新方式探索创意。
    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。
    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)。
      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。
      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。
      Whisk

      Whisk

      Whisk 是谷歌最新的 Google Labs 实验,允许用户通过输入或创建传达主题、场景和风格的图像,轻松组合并重新混合这些元素,生成独一无二的作品。Whisk 结合了 Imagen 3 的图像生成能力和 Gemini 的视觉理解和描述能力,使用户能够以有趣的新方式探索创意。
      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。
      查看完整榜单