跳到正文

语音工具

TTS、语音克隆、配乐、字幕转写、会议记录、播客类工具。

24条精选相关主题AI 视频写作工具

最新精选

第 1–20 条 · 共 24 条
11月21日周六
  1. Google Research71

    Google Duplex 如何演变为在 Gemini 中代用户致电商家

    Google 本周在 Gemini App 的 Tasks 中上线 Duplex,可代用户致电商家完成预订等现实事务。文章回顾 Duplex 近十年架构演变,从早期封闭领域的循环神经网络模型,到 2022 年在实时通话中使用 LaMDA 的混合栈,再到如今用 Gemini 统一多模态理解、规划与对话生成,通过自由文本任务描述泛化到新任务类型。

    推荐理由:文章梳理了 Duplex 从封闭领域模型到全 Gemini 栈的三代架构演变,可据此理解电话智能体如何落地到 Gemini 任务中。

11月19日周四
  1. Hacker News · 首页85

    微软 MAI 在 Ignite 2026 发布七款新模型

    微软 MAI 在 Ignite 2026 发布七款新模型,主打可规模化的性价比。MAI Code 2 在四项企业编码基准上达到 GPT-6.1 Sol 98% 的性能。

    推荐理由:微软一次发布七款 MAI 模型,并给出与 GPT、Claude 同档产品的价格对比,可据此判断企业级智能体的成本结构。

11月18日周三
11月10日周二
11月5日周四
  1. Hugging Face Blog66

    Phonon TTS 发布复盘:端侧语音模型登顶榜单

    Phonon 是可在本地设备离线运行的小型 TTS 模型,发布两周下载量超过 20 万次。模型分约 65 MB 和 75 MB 两个尺寸,覆盖英语、法语、德语、西班牙语和葡萄牙语,内置 100 多种音色,其中 Phonon 31m 以 Apache 2.0 开源、可商用,Phonon 40m 为 CC BY-NC 非商用许可。

    推荐理由:官方复盘端侧 TTS 模型 Phonon 的发布细节,含开源许可、多语言覆盖与榜单表现,可据此判断小模型离线语音的可用边界。

10月28日周三
  1. Hugging Face Blog78

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe,把多语言转写、说话人分离、翻译和音频问答整合进同一个 checkpoint,已在 Hugging Face 和 ModelScope 上线。

    推荐理由:原文给出多语言转写、说话人分离与翻译的统一权重模型,并附开放数据管线和微调配方,可据此评估自建语音流程的改造成本。

  2. Hacker News · 首页79

    Google DeepMind 发布 Genie 4 原生多模态世界模型

    Google DeepMind 发布 Genie 4 世界模型,可实时生成视觉画面、环境声音和交互对话,并通过自然语言控制场景、角色与事件。模型由 Gemini 3.8 Flash 持续观察场景、拆解目标并校正执行步骤;Genie 4 现已面向可信测试者开放研究预览,之后将进入 Project Genie、Gemini API 和 Google AI Studio。

    推荐理由:原文披露了 Genie 4 的实时交互、原生音频和 Gemini 协同机制,也明确列出长期一致性等限制,便于判断其研究与落地边界。

10月23日周五
  1. AWS Machine Learning Blog62

    Amazon Polly Generative engine 完成重大升级

    Amazon Polly Generative engine 升级后提供更自然、准确且富有表现力的低延迟语音,新增 14 个声音,覆盖 9 个 locale,并首次正式支持 Hindi 和 Finnish 生成式语音。

    推荐理由:升级可直接沿用现有 Amazon Polly 集成,并提供声音质量、语音目录与区域覆盖的具体变化。

10月21日周三
  1. Mistral AI62

    Mistral AI 发布 Voxtral 3 语音模型与 voice agent SDK

    Mistral AI 发布 Voxtral 3 语音模型家族及基于 LiveKit 的 voice agent SDK,将听、推理、工具调用和说话整合进实时流式管线,支持 50 多种语言的转写、35 多种语言和 50 多种方言的语音生成,并可通过 EU 托管 API 或自有基础设施部署。

    推荐理由:原文给出转写、语音生成、实时智能体和部署方式的完整能力与价格,便于评估语音工作流的构建路径。

10月20日周二
  1. Product Hunt · AI 分类73

    ElevenLabs 发布 Realtime 语音智能体模型家族

    ElevenLabs 发布 Realtime 语音转语音模型家族,用于语音智能体,语音识别、轮次检测、LLM 与声音均采用端到端调优。v1 Mini 面向自然对话,首段音频延迟为 620ms;v1 Max 面向复杂任务,延迟为 570ms,支持 90+ 种语言,可接入 ElevenAgents 或使用 OpenAI-compatible Realtime API。

    推荐理由:原文说明了端到端调优、响应延迟、语言支持与接入方式,便于开发者评估语音智能体方案。

10月2日周五
  1. The Decoder77

    Microsoft AI 发布用于语音智能体的转录和文本转语音模型

    Microsoft AI 发布 MAI-Transcribe-2-Streaming 实时转录模型,支持 60 种语言,首个部分结果交付时间约 100 毫秒,在 Artificial Analysis 准确率排名第一,年内定价 $0.54/小时。

    推荐理由:原文给出了具体的性能指标(100ms 延迟、60 种语言、$0.54/小时)和对比数据,读者可以据此评估新产品相对于现有方案的性价比。

9月30日周三
9月26日周六
  1. AWS Machine Learning Blog70

    在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音

    本文介绍如何在 Amazon SageMaker AI 上部署 Qwen3-TTS-12Hz-1.7B-Base 模型进行实时语音克隆。该模型支持 10 种语言,可从几秒参考音频中提取说话者的音色、音调和节奏特征,生成新文本的语音,无需重新训练。

    推荐理由:原文给出了完整的部署步骤、GPU配置、代码示例和监控方法,读者可以照着在 AWS SageMaker 上搭建自己的语音克隆服务。

9月25日周五
  1. AWS Machine Learning Blog62

    在 Amazon SageMaker 上部署 WhisperX 实现说话人标注转录

    AWS 发布了 WhisperX 深度学习容器,可在 Amazon SageMaker 上部署为实时或异步端点,实现带说话人标注和词级时间戳的转录。实时端点适用于 60 秒内的短音频,异步端点通过 S3 处理长音频。教程详细介绍了两种端点的部署步骤、请求格式、GPU 实例选择和成本优化策略,并提供了生产环境的最佳实践。

    推荐理由:原文提供了在 AWS SageMaker 上部署 WhisperX 的完整教程,包含实时和异步两种端点的具体配置、代码示例和生产注意事项。

9月23日周三
  1. Google DeepMind78

    Google DeepMind 发布 Gemini 3.8 Text-to-Speech

    Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款新的文本转语音模型,在 Hume AI Voice Design Benchmark 获得第一。

    推荐理由:原文给出了具体的能力变化和开放入口,读者可以据此判断它会怎样改变现有的语音生成工作流。

9月16日周三
  1. Google DeepMind76

    Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking

    Google DeepMind 发布两款新的实时对话模型:Gemini 3.8 Live 注重规模化和成本效率,结合对话智能与流畅交互;Gemini 3.8 Live Extended Thinking 面向高复杂度任务,具备增强智能和多步推理能力。

    推荐理由:原文给出了具体性能数据(82.6% Speech to Speech Quality Index、68.6% τ-Voice 等)和多个平台可用入口,读者可据此判断该模型相对现有产品的能力提升和适用场景。

9月10日周四