AITOP

语音合成

共 37 条相关 AI 资讯
8月17日
16:05
16:05IT之家（博客/媒体）
阿里云推出Qwen-Audio-3.0系列语音模型，包含ASR、TTS、Realtime三款，已上线千问AI平台和阿里云百炼平台。该系列在Artificial Analysis今年7月的语音排行榜中，拿下语音识别、实时交互、语音合成三个赛道全球第一。Qwen-Audio-3.0-ASR支持复杂语境和专业领域识别，Qwen-Audio-3.0-TTS支持多语种多方言并可控制情绪语气节奏。Qwen-Audio-3.0-Realtime支持端到端语音理解与对话，可边听边说、随时打断追问，并支持工具调用。
AI模型Qwen-Audio-3.0阿里云千问
推荐理由：阿里自家的新语音模型，ASR、TTS、实时对话都拿了全球第一，现在API直接能用。做语音应用的话值得试试。
原文
8月14日
16:26
16:26官方一手Pandaily@contact@pandaily.com (Pandaily)
中国语音AI创业公司VUI Labs的Luna-TTS模型在Hugging Face TTS Arena排行榜上位列第一，超越了ElevenLabs、MiniMax和Cartesia。在Artificial Analysis的Speech Arena榜单中，Luna-TTS排名第三，领先Google。该模型基于Qwen3的扩散架构，首包延迟仅为41.6毫秒。
AI模型Luna-TTSVUI LabsElevenLabs
推荐理由：VUI Labs的Luna-TTS登顶语音评测榜，延迟才41.6毫秒，比ElevenLabs还快，搞语音合成的该看看。
原文
8月11日
00:35
00:35官方一手Hugging Face: Blog（博客/媒体）
精选
NVIDIA发布Magpie TTS，一个开放权重的多语言语音合成模型。该模型针对低延迟场景专门优化，适合部署实时语音代理。开发者通过开放权重可以完全控制部署流程，包括自定义推理配置。Magpie TTS支持多种语言，能用于构建跨语言交互系统。
AI模型Magpie TTSNVIDIA语音合成
事件专题
推荐理由：NVIDIA把Magpie TTS开放权重了，能自己控制部署，低延迟跑多语言语音代理，比闭源API灵活。
原文
8月10日
22:23
22:23官方账号ElevenLabs@elevenlabsio
精选
德国电信在客服运营中采用ElevenLabs。语音质量成为用户是否继续与ElevenLabs的AI代理交谈的关键。ElevenLabs官方称，现在有更多客户让AI代理端到端解决咨询问题。
行业ElevenLabsDeutsche Telekom语音合成
推荐理由：德国电信把客服语音换成ElevenLabs了，效果不错，更多用户愿意让AI直接解决问题，你不想看看吗？
原文
7月24日
11:28
11:28官方账号阿里云 Alibaba Cloud@alibaba_cloud
阿里云发布了最新的语音技术Qwen-Audio-3.0-TTS模型，该模型已在OpenRouter平台上线。该模型支持更自然、更具表现力的语音合成，可用于提升音频交互体验。开发者可以通过OpenRouter API直接调用该模型，无需自行部署。
AI模型Qwen-Audio-3.0-TTS阿里云语音合成
推荐理由：阿里云新出的Qwen-Audio-3.0-TTS模型在OpenRouter上就能用，语音听起来更自然，做语音交互的可以试试。
原文
03:11
02:50
02:50OpenRouter@OpenRouterAI
OpenRouter 上线了微软的 MAI-Voice-2-Flash 模型，相比前代 MAI-Voice-2 推理速度提升2倍。该模型支持15种语言，保持自然韵律和声学质量，并提供细粒度语调控制。专为响应式语音助手和实时交互场景设计。
AI模型MAI-Voice-2-FlashOpenRouter微软
推荐理由：需要更快更自然的语音合成？微软新模型速度快两倍，15种语言随意切换，适合搭实时语音Agent。
原文
7月23日
21:58
7月21日
16:52
11:32
7月20日
18:34
16:57
7月15日
22:42
22:42Hailuo AI@Hailuo_AI
ElevenLabs推出Music v2，可从场景、风格和情绪提示生成任意类型音乐。Seed Audio 1.0支持从文本、参考音频或图像生成语音，并可调节速度、音量和音高。两个模型分别面向音乐和语音生成场景。
AI模型ElevenLabsMusic v2Seed Audio 1.0
推荐理由：ElevenLabs同时更新了音乐和语音生成模型，Music v2能从提示生成任何风格音乐，Seed Audio 1.0支持图片转语音，玩法更多了。
原文
12:27
7月2日
02:45
02:45官方账号xAI@xai
xAI发布了Voice Agent Builder，专为Grok Voice设计。传统语音系统需拼接语音转文本、语言模型及文本转语音三个API，每步切换增加成本、延迟与故障点。Voice Agent Builder将三个阶段紧密耦合至单一模型，减少跳转开销。该工具旨在优化实时语音交互体验。
AI产品Grok VoiceVoice Agent BuilderxAI
推荐理由：xAI把语音转文字、大模型、文字转语音三个环节整合到一个接口里，延迟更低、故障更少，用Grok Voice搞语音交互的可以试试。
原文
6月29日
13:09
13:09官方账号vLLM@vllm_project
精选
vLLM-Omni TTS团队针对Qwen3-TTS、VoxCPM2、Higgs Audio V3、Fish Speech S2 Pro四种TTS模型分别设计了不同的优化策略。对Qwen3-TTS通过解耦连接器分块和批处理Stage-0解码预处理，在H20×2上音频吞吐量提升61.5%，P99延迟减半。VoxCPM2采用whole-forward torch.compile和CFM/LocDiT解码尾部跨请求批处理，音频吞吐量提升172%。Higgs Audio V3将多码本解码状态机迁移到GPU驻留张量，实现2.7倍加速。Fish Speech S2 Pro为纯解码路径设计了模型特定的q_len=1 Triton注意力内核。
AI模型vLLMQwen3-TTSVoxCPM2
推荐理由：vLLM团队分享了优化四种主流TTS模型服务的具体技巧，包括性能提升数据和实现细节，对部署TTS服务很有参考价值。
原文
6月26日
15:38
6月19日
11:39
11:39官方账号arXiv cs.AI@Nityanand Mathur, Hamees Sayed, Wasim Madha, Apoorv Singh, Sameer Khurana, Akshat Mandloi, Sudarshan Kamath
论文首次将DAAM框架适配到语音扩散模型，提出交叉注意力归因方法并应用于CapSpeech-TTS。方法提取了25层和24个ODE步骤的每个token热力图。分析了3600个（风格字幕，文本转录）组合，包含120个风格字幕和30个文本转录。结果发现风格token的时间方差低于内容/功能token，且风格关注度与F0和能量相关。注意力熵在层17达到最小值，与风格重要性峰值同时出现。
论文CapSpeech-TTSDAAM交叉注意力
推荐理由：这篇把视觉归因方法搬到语音合成里，让你看清每个词怎么影响声音，对理解可控TTS特别有用。
原文
11:09
01:29
6月16日
15:02
02:02
02:02Jerry Liu@jerryjliu0
Karan Goel 团队发布 Sonic-3.5（文本转语音）和 Ink-2（语音转文本）两种流式模型。新架构实现了速度和质量的突破，将两者推向各自类别的榜首。该团队自称是目前唯一同时拥有排名第一的语音输入和输出模型的提供商。
AI模型Sonic-3.5Ink-2语音识别
推荐理由：Karan Goel 发了两个新模型，Sonic-3.5 做 TTS 排名第一，Ink-2 做 STT 也是第一，说是唯一一家听说都做到顶的。做语音智能体的话看看。
原文
6月4日
16:44
6月3日
08:25
08:25OpenRouter@OpenRouterAI
OpenRouter 宣布上线微软三款新 AI 模型：MAI-Image-2.5（图像生成）、MAI-Transcribe-1.5（语音转文字）和 MAI-Voice-2（语音合成）。这些模型通过 OpenRouter 平台可直接调用，降低了开发者使用微软最新 AI 能力的门槛。此举意味着开发者无需单独申请 Azure 权限，即可在统一 API 下体验微软的多模态模型。对于需要图像生成、语音识别或语音合成的团队，这是一个便捷的新选择。
AI产品微软OpenRouter图像生成
事件专题
推荐理由：微软的多模态模型终于能在 OpenRouter 上直接调用了，做图像生成、语音转文字或语音合成的开发者可以省去 Azure 申请流程，直接上手试。
原文
02:26
02:26IT之家（博客/媒体）
83°
微软在 Build 2026 大会上发布自研 AI 模型系列，包括首款高级推理模型 MAI-Thinking-1。该模型为中等规模，在软件工程基准测试中达到业界领先水平，并承诺完全自研、未使用第三方蒸馏数据。同时发布的还有图像生成模型 MAI-Image 2.5、语音转写模型 MAI-Transcribe-1.5（速度达竞品五倍）、语音合成模型 MAI-Voice-2 及编程辅助模型 MAI-Code-1。MAI-Code-1 已集成到 GitHub Copilot 和 VS Code 中。这标志着微软在推理、图像、语音和编程等 AI 领域全面布局自研模型。
AI模型推理模型微软MAI-Thinking-1
推荐理由：微软终于拿出了自己的推理模型，而且强调纯自研、不蒸馏，这对关注模型自主可控的开发者是个信号。做软件工程或编程的团队可以关注 MAI-Code-1 在 Copilot 中的实际表现，值得一试。
原文
6月2日
23:59
5月27日
11:31
5月22日
17:49
17:49IT之家（博客/媒体）
精选
网易有道宣布将“子曰”大模型 4.0 的核心双引擎——多模态模型（27B 参数）和语音合成（TTS）模型面向全球全量开源。多模态模型在视觉数理问题上达到行业顶尖水平，纯文本中文数理难题准确率达 81.4%，并通过思维链重构将输出长度压缩 43.2%，降低推理成本。TTS 模型支持跨语种音色情感迁移克隆，3 秒内完成零样本原声复制，准确度超 97%，覆盖 14 种语言。开发者可免费下载、部署并二次开发，适合教育场景和语音应用。
AI模型开源/仓库多模态模型语音合成
推荐理由：教育场景的开发者终于有了可商用的开源多模态模型——27B 参数在数理问题上达到 SOTA，且推理成本更低；TTS 模型 3 秒克隆音色并跨语种带情感，做语音助手或教育产品的团队可以直接下载试试。
原文
08:06
08:06IT之家（博客/媒体）
腾讯会议正式推出“AI 同传”功能，支持模仿用户音色，时延低于3秒，实现发言与翻译几乎同步。每位参会者可独立开启同传，选择自己需要的语言，收听时仿佛用户本人用流利外语发言。该功能无需插件或外接设备，并支持调节同传与原声音量，方便核验关键信息。同时，AI 同传与文字转写、会中字幕打通，实现跨语言会议的可听、可译、可见、可记。
AI产品腾讯会议AI同传语音合成
推荐理由：跨国会议和远程协作的团队终于有了低延迟、高拟真的同传方案——不用外挂设备，还能模仿发言人音色，做国际业务或跨语言沟通的可以直接在腾讯会议里开启试试。
原文
5月21日
08:01
08:01官方账号ElevenLabs@elevenlabsio
ElevenLabs 发布了 Speech Engine，允许开发者通过一条提示词将现有的聊天智能体转换为完整的语音智能体。该引擎整合了 ElevenLabs 领先的语音合成、转录和语音编排模型，形成一个统一管道，各组件专为协同工作而优化。这意味着开发者无需从头构建语音系统，即可快速为聊天机器人添加语音交互能力。该产品旨在降低语音 AI 开发门槛，加速语音助手、客服等应用落地。
AI产品语音智能体ElevenLabs开发者工具
推荐理由：做语音助手或客服机器人的开发者，现在可以用一条提示词把聊天智能体变成语音智能体，省去集成多个模型的麻烦，值得直接上手试。
原文
07:59
07:59官方账号ElevenLabs@elevenlabsio
ElevenLabs 宣布将阿尔伯特·爱因斯坦的语音引入平台，并推出一个基于其书面档案的智能体，能够以爱因斯坦标志性的声音进行互动。这一功能将语音智能体应用于教育领域，让用户能够与历史人物进行对话式学习，为知识传递带来全新维度。该智能体目前已在 ElevenLabs 上线，支持语音交互。
AI产品语音智能体ElevenLabs教育
推荐理由：做教育科技或语音交互的团队值得关注——ElevenLabs 把历史人物语音化，让学习从单向阅读变成双向对话，直接可用的场景比想象中多。
原文
5月19日
12:10
5月13日
21:35
21:35官方一手MiniMax: News（资讯）
MiniMax 发布了其最新语音模型 Speech 2.8，在语音合成质量、自然度和实时性上均有显著提升。该模型支持多语言、多情感和多种说话风格，能够生成高度逼真的语音。Speech 2.8 在多个基准测试中表现优异，为语音交互、内容创作等场景提供了更强大的工具。
AI模型语音合成MiniMaxSpeech 2.8
推荐理由：语音合成质量再上台阶，做语音助手、有声内容或虚拟主播的团队可以直接用上更自然的声音，建议体验一下效果。
原文
12:33
03:42
00:33
00:33官方一手MiniMax: News（资讯）
MiniMax 在其官网展示了最新模型和产品的更新，包括文本模型 MiniMax M2.7 (NEW)、语音模型 MiniMax Speech 2.8 (NEW)、视频模型 MiniMax Hailuo 2.3 / 2.3 Fast (NEW) 以及音乐模型 MiniMax Music 2.6 和 2.5+ (NEW)。此外，AI 原生应用 Agent 也被标注为新产品状态。这些更新表明 MiniMax 正在快速迭代其多模态 AI 能力，涵盖文本、语音、视频和音乐生成领域。对于开发者和企业用户，这意味着可以通过开放平台获得更先进的 AI 能力，用于构建多样化的应用场景。
AI产品MiniMax多模态文本生成
推荐理由：此次更新体现了 MiniMax 在 AI 多模态领域的持续投入，特别是 M2.7 和 Speech 2.8 的推出可能带来文本理解和语音合成性能的提升，值得关注其在开放平台上的实际表现。
原文
5月11日
22:18