TTS

美团 LongCat 团队推出了 LongCat-AudioDiT，这是一种基于扩散模型的最新文本转语音（TTS）系统。该模型的核心创新在于摒弃了传统的中间声学特征（如梅尔频谱图），直接在波形潜空间...

在基于大语言模型（LLM）的文本转语音（TTS）领域，开发者长期面临一个“不可能三角”：速度、质量与可靠性难以兼得。传统的 LLM-TTS 系统往往因为文本与音频表示的不匹配，导致推理缓慢、内存消耗巨...

“有没有真正免费且好用的语音克隆工具？” 这是Reddit网友Novel_Leading_7541在技术社区每周都会看到的提问。现实情况往往令人沮丧：大多数所谓的“免费工具”要么限制重重，要么音质堪忧...

阿里巴巴国际数字商务团队推出的开源语音合成框架 Marco-Voice，以“说话人-情感解耦”为核心创新，整合语音克隆、情感可控合成、跨语言生成三大功能，构建了统一且高效的文本转语音系统。该框架通过批...

ComfyUI-VoxCPM 是一个为 ComfyUI 设计的自定义节点，集成了 VoxCPM —— 一种基于 MiniCPM-4 架构的新型无分词器（tokenizer-free）文本到语音（TTS...

在语音合成领域，大多数主流 TTS（Text-to-Speech）模型依赖于将语音信号离散化为“音素”或“语音标记”——这一过程虽然便于建模，但也带来了固有局限： 声音细节丢失、韵律不自然、跨说话人迁...

VibeVoice-ComfyUI 是一款文本转语音（TTS）插件，将微软最新的 VibeVoice 语音合成模型深度集成至 ComfyUI 工作流中。 它不仅支持自然流畅的单人语音生成，更实现了 多...

微软近期开源了一款全新文本到语音（TTS）框架——VibeVoice-1.5B，其核心突破在于打破传统TTS系统的局限：能同时生成包含4个不同说话者、最长60分钟的连贯对话音频，且在长序列处理效率、说...

Chatterbox-TTS-Extended 是基于 Chatterbox-TTS 的增强型文本到语音（TTS）工具链，专为需要灵活控制和高质量输出的高级用户设计。它不仅支持单次和批量语音合成，还集...

海螺语音海外版 MiniMax Audio 发布了全新的 Speech-02 模型，这一创新的文本转语音（TTS）技术能够将任何文件或 URL 瞬间转化为逼真的音频。无论是创建有声书、播客，还是为电影...

清华大学和腾讯的研究人员推出 Video-T1，在视频生成任务中引入测试时扩展（Test-Time Scaling, TTS）技术，以提升生成视频的质量和与文本提示的一致性。通过在推理阶段增加计算资源...

Canopy Labs推出基于 Llama-3b 骨干网络构建的开源文本转语音（TTS）模型Orpheus TTS ，这款模型展示了利用大语言模型（LLM）进行高质量语音合成的能力。 模型规模与特性 ...