Tag

TTS

当前标签下共有 6 篇内容。

谷歌发布 Gemini 3.8 语音生成模型：可定制角色声音、逐句导演双人对话

谷歌发布 Gemini 3.8 语音生成模型：可定制角色声音、逐句导演双人对话

谷歌推出 Gemini 3.8 Flash TTS 与 Flash Lite TTS 两款文本转语音模型，支持自然语言设计角色声音、逐句控制情绪和双人对话，并提供声音复现、长篇生成及批量配音能力。本文梳理两款模型的定位、开放渠道、使用限制与声音授权保护措施。

VoiceStudio：把语音克隆、配音和转写留在本地的开源语音工作台

VoiceStudio：把语音克隆、配音和转写留在本地的开源语音工作台

VoiceStudio 是一套本地优先的开源语音工作台，整合语音克隆、语音设计、视频配音、实时听写、转写、有声书与 OpenAI 兼容 API，并支持 MCP、Docker 和多种本地推理后端。

腾讯混元开源 AuK：一个把语音生成、编辑、增强和分离统一起来的 1.5B 基础模型

腾讯混元开源 AuK：一个把语音生成、编辑、增强和分离统一起来的 1.5B 基础模型

腾讯混元团队开源 AuK，一款 1.5B 参数语音生成与编辑基础模型。它用统一自然语言指令支持 TTS、内容编辑、情绪与音色修改、语音增强和分离，并提供 AuK Flash、Gradio、ComfyUI 与 Python API。

IndexTTS-2.5：开源零样本文本转语音系统，支持五种语言、情感与语速控制

IndexTTS-2.5：开源零样本文本转语音系统，支持五种语言、情感与语速控制

IndexTTS 已迭代至 2.5，可用单段参考音频完成零样本语音克隆，并支持中英日韩西阿五种语言、情感解耦、发音与语速控制。本文整理其核心能力、安装方式、WebUI、CLI、推理性能与使用限制。

VoxCPM2：OpenBMB 开源的无 Tokenizer 多语言语音合成与声音克隆模型

VoxCPM2：OpenBMB 开源的无 Tokenizer 多语言语音合成与声音克隆模型

VoxCPM2 是 OpenBMB 推出的开源多语言语音合成模型，采用无离散语音 Token 的扩散自回归架构，支持 30 种语言、声音设计、可控克隆、48kHz 输出、流式推理以及多种生产部署方案。

Voicebox：把语音克隆、全局听写与 AI Agent 语音交互搬到本地

Voicebox：把语音克隆、全局听写与 AI Agent 语音交互搬到本地

Voicebox 是一款开源、本地优先的 AI 语音工作室，整合语音克隆、全局听写、多角色音频编辑和 MCP Agent 语音输出。项目支持多种 TTS 引擎及 macOS、Windows、Linux，适合重视隐私与本地工作流的创作者和开发者。