AI 语音合成
从一段文字到以假乱真的声音，文字转语音模型比拼的早已不只是像不像：音色克隆、情绪与方言控制、副语言信号，每一项进展这里都有可核对的评测和开源实现可查。
语音合成在 2026 年明显提速：Qwen3-TTS、GLM-TTS 把 3 秒音色克隆做成开源标配，蚂蚁 inclusionAI 新发布的 Ming-3.0-tts 把笑声、叹气等副语言信号写进文本标记直接控制，还能切换川渝话和粤语。真正的分水岭在发音鲁棒性、多语言覆盖和推理成本。
Ming-3.0-tts 开源：蚂蚁的语音模型能笑能叹气，还会说川渝话
Ming-3.0-tts 是蚂蚁集团 inclusionAI 团队开源的语音合成模型系列。2026 年 10 月 19 日，推理代码、模型权重和完整评测表同步出现在 GitHub 的 inclusionAI 组织下，采用 MIT 协议，权重同步上架 Hugging Face 与 ModelScope...
Admin
15 
Google 发布 Gemini 3.8 Flash TTS：用一句话描述就能定制声音
2026 年 9 月 23 日，Google DeepMind 在官方博客发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，称这是迄今表现力最强的音频生成模型。新模型支持用自然语言提示词从零设计声音、用 30 秒样本复刻声音，还能逐行指导表演、生成长音频、编排双说话人...
Admin
184 
MOSS-TTS-Nano 解析：0.1B 开源多语言 TTS，CPU 也能实时语音生成
一、摘要 MOSS-TTS-Nano 是 OpenMOSS 与 MOSI.AI 发布的开源多语言语音生成模型，定位是“小体积、低延迟、可部署”。它约 0.1B 参数，支持实时语音生成与语音克隆，强调 CPU 友好和本地集成，适合做轻量 Demo、浏览器服务和嵌入式产品原型。 二、核心特性 1、多语言...
Admin
774 
Qwen3-TTS 开源发布：12Hz 高压缩 tokenizer + 3 秒音色克隆怎么玩
一、摘要 Qwen3-TTS 是 Qwen 团队开源的文本转语音（TTS）模型系列，包含 VoiceDesign（文字描述生成新音色）、CustomVoice（指令控制既定高质量音色）与 Base（快速音色克隆与微调基座）。项目同时开源代码与权重，并提供 12Hz 语音 tokenizer 以实现更...
Admin
239 
开源语音方案对比：Fun-CosyVoice3 vs 常见 TTS、Fun-ASR-Nano vs 主流 ASR
一、摘要 阿里通义语音团队（FunAudioLLM）开源两类音频模型：面向语音合成的 Fun-CosyVoice3-0.5B-2512（TTS），以及面向语音识别的 Fun-ASR-Nano-2512（ASR）。前者强调多语种、零样本声音克隆与低延迟流式合成；后者强调 31 语种识别、方言口音覆盖与...
Admin
758 
GLM-TTS 全面开源：3 秒音色克隆与情绪可控的工业级语音合成
一、摘要 GLM-TTS 是面向工业级语音生成的开源 TTS 系统，支持仅 3 秒语音样本的音色克隆，并提供可控的情绪表达能力。其架构采用两阶段生成流程，并引入基于 GRPO 的强化学习机制，在字符错误率（CER）与情感维度达到开源领先水平。项目强调低训练成本与高可扩展性，适用于教育、电子书、有声内...
Admin
296