Qwen3-TTS 全家桶开源：支持音色克隆、创造与多语言拟人语音
在语音生成技术快速迭代的当下，开发者与用户对高保真、可定制、低延迟的语音合成方案需求日益迫切。阿里Qwen项目组推出的 Qwen3-TTS 开源全家桶，凭借音色克隆、音色创造、拟人化语音生成与自然语言...
排序
英伟达推出实时语音对话模型PersonaPlex，打造支持自定义角色与声音的自然对话AI
长期以来，语音对话 AI 面临一个根本性矛盾： 传统级联系统（ASR → LLM → TTS）允许你自定义角色和声音，但对话僵硬、延迟高、无法被打断； 全双工模型（如 Moshi）实现了自然的话轮转换...
FlashLabs推出Chroma 1.0：首个开源实时语音对话模型，支持低延迟个性化语音克隆
在虚拟人交互与语音合成领域，兼顾低延迟、高保真语音克隆、多轮对话理解的模型一直是技术难点。由FlashLabs开发的 Chroma 1.0 正是一款突破性的多模态因果语言模型，它不仅能直接处理音频输入...
HeartMuLa：开源音乐基础模型家族，支持歌词识别、高保真生成与细粒度控制
如果你曾幻想过——只需输入一段歌词和一句描述（如“一首欢快的流行歌，吉他伴奏，副歌要有电子音效”），AI 就能生成一首结构完整、音质高保真的歌曲——那么 HeartMuLa 项目正将这一愿景变为现实...
智谱AI开源GLM-TTS：LLM驱动的高质量TTS系统，支持零样本克隆与情感增强
智谱AI推出的GLM-TTS是一款基于大语言模型的文本到语音合成系统，创新性采用LLM+Flow模型的两阶段架构，不仅实现了零样本语音克隆、流式推理等实用功能，还通过多奖励强化学习框架，大幅提升了语音...
ElevenLabs 推出 Scribe v2：支持 90+ 语言的高精度批量转录模型
ElevenLabs 正式发布 Scribe v2——一款专为大规模音视频内容处理设计的新一代语音转文字模型。与主打低延迟的 Scribe v2 Realtime 不同，Scribe v2 面向批量转...
Nemotron-Speech-Streaming-En-0.6B：面向低延迟与高吞吐的流式语音识别模型
英伟达推出的 Nemotron-Speech-Streaming-En-0.6B 是 Nemotron Speech 系列中的首个统一语音识别（ASR）模型，专为实时英语转录场景设计。它同时支持低延迟...
通义百聆发布 Fun-Audio-Chat：8B 端到端语音模型，延迟更低、效率更高
通义实验室旗下语音团队 通义百聆（Tongyi Bailin）正式推出 Fun-Audio-Chat —— 一款专为自然、低延迟语音交互设计的端到端大型音频语言模型（Audio Language Mo...
Chatterbox-Turbo 发布：3.5 亿参数、一步解码、支持副语言标签的高效 TTS 模型
Resemble AI 正式开源 Chatterbox 系列——一个由三款高性能文本转语音（TTS）模型组成的开源 TTS 工具集，覆盖低延迟交互、多语言支持与创意语音控制三大典型场景。所有模型均支持...
Grok Voice Agent API 上线：支持多语言、实时工具调用与低延迟语音交互
xAI 正式推出 Grok Voice Agent API，向开发者开放其在 Grok 移动应用及特斯拉车载系统中使用的语音交互技术。该 API 支持构建能实时对话、调用工具、搜索网络并流利使用数十种...
Meta发布SAM Audio：首个支持文本、视觉、时间提示的统一音频分离模型
在图像领域，Meta 的 Segment Anything Model (SAM) 通过“任意分割”能力，彻底改变了计算机视觉的交互范式。如今，这一理念正式延伸至音频领域。 Meta 正式发布 SAM...
面壁智能发布 VoxCPM1.5：6.25Hz 标记率降低计算开销，支持高质量声音克隆
2025 年 12 月 5 日，面壁智能正式发布 VoxCPM1.5 模型权重。作为 VoxCPM 系列的重大升级版本，它在保留上下文感知语音生成与零样本声音克隆能力的基础上，通过两项关键技术改进，显...
