tts

"2026年4月16日，Google Cloud发布了 Gemini 3.1 Flash TTS 的预览版。这是一个将语音合成世界提升到新高度的模型，它支持超过70种语言、30种预设音色，以及200多种“音频标签”，让您可以在文本中自由地指示耳语、尖叫、笑声和叹息。"

"通过新引入的“样式标签”功能，可以将自然语言命令（例如“低语”或“稍微说快点”）直接嵌入到文本中，从而实现对各种风格、语速和表达的精细控制。"

"新模型能够生成听感自然、高保真的语音，同时允许开发者通过提示词（prompt）控制语音的情感、节奏和风格，例如在旁白或对话中精确调节语气、停顿与情绪变化。"

"我们最新的音频模型引入了细粒度的音频标签，让您能够精确控制生成式人工智能语音，从而生成富有表现力的音频。"

"按住Ctrl+Option的同时进行语音提问，它就会截取屏幕截图发送给Claude，并以语音形式给出回复。甚至还有一个功能，会显示一个蓝色的光标指示“在这里”来指向UI元素。"

"我想知道是否有其他见解或策略可以让我实现从文本到音频的闪电般快速转换。"

"OpenAI在备忘录中表示，2025年其可用计算能力达到1.9吉瓦，是前一年的三倍。"

"VibeVoice使用7.5 Hz分词器实现了比Encodec高80倍的压缩率，通过下一令牌扩散，能够在单个LLM上下文窗口内合成最多4个说话者、长达90分钟的自然对话，并以3.76的MOS超越了竞争对手。"

"直接将LLM作为TTS的主干网络... 通过直接利用LLM原本具备的“文本语义理解”和“情感分析”能力，解释自由描述的情感提示，并自回归地生成语音令牌。"

"实验结果表明，尽管没有复杂的 multistage 训练流程或高质量的人工注释数据集，LongCat-TTS 在 Seed 基准测试中实现了 SOTA 零样本语音克隆性能，同时保持了具有竞争力的可理解性。"

"这基本上是一个开源的 ElevenLabs 级别的 TTS 模型。"

"Voxtral TTS 是 Mistral AI 开发的首个 TTS（文本转语音）模型。"

"输入文本即可生成自然的声音。"

"Mistral AI 宣布了文本转语音 AI 模型“Voxtral TTS”，它可以克隆你自己的声音。"

"Mistral 发布了 Voxtral TTS 模型，该模型快速、支持多语言，并且足够小，适合语音智能体。"

"在9种流行语言中，具有真实、情感丰富的语音，并支持多种方言。"

"Voxtral TTS — 一款“可以加载到智能手表上”的小型语音合成模型。 而且是开源的。"

"今天，我们很高兴宣布推出 Amazon Polly 的全新双向流 API，它能够实现简化的实时文本转语音 (TTS) 合成，让您可以同时开始发送文本和接收音频。"

"Mistral AI 刚刚发布了一款文本转语音模型，据称其性能超越了 ElevenLabs，并且免费提供权重。"

"Mistral 推出了 Voxtral TTS，这是一款基于 Ministral 3B 的开源企业文本转语音模型，支持包括印地语和阿拉伯语在内的九种语言"

"“我们的客户一直在要求语音模型。 所以我们构建了一个小型语音模型，可以安装在智能手表、智能手机、笔记本电脑或其他边缘设备上。 它的成本只是市场上其他产品的很小一部分，但它提供了最先进的性能，”"

"Qwen3-TTS 是阿里巴巴 Cloud Qwen 团队于 2026 年 1 月发布的开源 TTS（文本转语音）模型。"

"从结论来看：只需录下朋友几分钟的音频，一个能够实时用该声音朗读文本的系统就启动并运行了。"

"处理流程是一个简单的三阶段流水线。"

"如果你给它一个37秒的音频样本，它会生成一个与本人无法区分的克隆声音，说实话，这让我起鸡皮疙瘩。"

"TTS是克隆的声音，通过QwenTTS自定义语音从该视频本地生成"

"作为人工智能原生云，Together AI 推出了一整套功能，以提供业界首个用于在共址的 STT、大语言模型和 TTS 基础设施上构建实时语音智能体的统一解决方案。"

"在预览版中，负责实时对话的 AI 模型可以将 Foundry Agent 作为“工具”调用，从而实现“聊天主管模式”。"

"S2 在 Audio Turing Test 和 EmergentTTS-Eval 上击败了所有闭源模型，包括 Google 和 OpenAI!"