微软近日发布旗下首个流式语音转写模型 MAI-Transcribe-2-Streaming，并同步推出 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 语音生成模型。新模型在 Artificial Analysis 基准中登顶，展示出高准确率、低延迟和低成本优...

ElevenLabs正式推出Eleven v4及Eleven v4 Turbo，这是其迄今最具情感表现力的文本转语音模型。Eleven v4能够识别并生成语气、节奏、情绪、角色和上下文等细微变化，使合成语音呈现戏剧化、温柔、紧迫、喜剧或日常对...

OpenAI 近期公开了其低延迟实时语音系统 GPT-Live 的技术细节，展示了一套仅用六个月构建的全新架构。区别于传统的轮流发言模式，GPT-Live 采用了全双工语音模型，能够实现一边聆听一边发言的连续对话，大幅减少了交...

阿里云旗下通义千问团队正式宣布，其Qwen3-TTS系列语音生成模型现已全面开源。该系列模型代表了当前语音合成领域的前沿技术水平，集成了语音克隆、音色设计、超高拟人度语音生成以及基于自然语言的语音控制等核心功...

近日，一款名为Dia的开源权重TTS（文本转语音）模型正式亮相，专注于生成高度拟真的对话语音。Dia作为开放权重的技术项目，允许开发者自由访问和调整模型参数，为语音合成领域提供了新的工具选择。该模型通过优化对...

Hugging Face平台最新发布的SIFT-50M（Speech Instruction Fine-Tuning）数据集，是一个包含5000万样本的大规模语音指令微调数据集，专为语音-文本大语言模型（LLMs）的指令微调和预训练而设计。该数据集基于公开可...

近日，开源社区迎来一款突破性的语音合成模型Zonos TTS，该模型基于Apache 2.0协议发布，具备语音生成与克隆能力。其核心技术亮点包括：1）支持多语言合成，打破传统单一语种限制；2）采用实时生成架构，延迟低于200...

近日，Sesame发布了一款1B规模的对话语音生成模型，并在GitHub上开源了其Apple原生MLX版本。该版本专为在MacBook等苹果设备上高效运行而优化，展示了机器学习在移动设备上的应用潜力。MLX是苹果公司推出的机器学习框...