Meta最近发布了一个名为NotebookLlama的项目，该项目可以生成播客式的摘要，类似于Google的NotebookLM。该项目使用Meta自己的Llama模型进行处理，可以根据上传的文本文件生成播客式的摘要。
首先，NotebookLlama会根据文件（例如新闻文章或博客文章的PDF）创建文字记录。然后，它会添加“更多戏剧效果”和中断，然后将文字记录输入到打开的文本转语音模型。虽然结果听起来不如NotebookLM，但Meta的研究人员表示，可以通过更强大的模型来提高质量。
他们在NotebookLlama的GitHub页面上写道:“文本转语音模型限制了其听起来的自然程度。”“[此外]编写播客的另一种方法是让两个代理讨论感兴趣的话题并编写播客大纲。目前我们使用单个模型来编写播客大纲。”
虽然NotebookLlama不是第一次尝试复制NotebookLM的播客功能，但它仍然是一个值得关注的项目。然而，所有人工智能生成的播客都存在一个共同的问题:幻觉问题，也就是说，人工智能生成的播客必然包含一些虚构的内容。
ElevenLabs 于近日正式推出其最新的人声合成模型 Flash，声称这是迄今为止最快的文本转语音（TTS）解决方案，生成语音的延迟仅为75毫秒(加上应用和网络延迟)。Flash 特别适合低延迟的对话式语音助手，用户可以在 ElevenLabs 的对话 AI 平台上立即体验这一新功能。Flash 模型分为两个版本，其中 Flash v2仅支持英语，而 Flash v2.5则支持32种语言。使用这两种模型时，用户每生成两个字符将消耗1个积分点。尽管 Flash 模型在音质和情感深度上稍逊于 Turbo 模型，但其低延迟性能使其在盲测中超越了其他
ElevenLabs 是一家专注于 AI 语音克隆和文本转语音 API 的初创公司，近日宣布推出用户可以构建完整对话式AI智能体的新功能。用户现在可以在 ElevenLabs 的开发者平台上，依据自己的需求，定制对话智能体的多种变量，比如语音语调和回复长度。ElevenLabs 过去主要提供不同的语音和文本转语音服务。公司增长主管 Sam Sklar 在接受 TechCrunch 采访时表示，许多客户早已在使用该平台创建对话式AI智能体。但在集成知识库和处理客户中断方面是最大的挑战。因此，ElevenLabs 决定构建一个完整的对话机器
近日，Oute AI 发布了一种新颖的文本转语音合成方法，称为 OuteTTS-0.1-350M。这种方法利用纯语言建模，无需外部适配器或复杂架构，提供了一种简化的 TTS 方法。OuteTTS-0.1-350M 基于 LLaMa 架构，使用 WavTokenizer 直接生成音频标记，使得流程更加高效。该模型具有零样本语音克隆功能，仅需几秒钟的参考音频即可复制新的声音。OuteTTS-0.1-350M 专为设备性能而设计，并与 llama.cpp 兼容，使其成为实时应用的理想选择。尽管该模型的参数规模相对较小（3.5亿个），但其性能可与更大、更复杂的 TTS 系统
近日，总部位于美国加州旧金山的 AI 初创公司 smallest.ai 推出了其新产品 Lightning，一款能够在100毫秒内生成长达10秒音频的文本转语音（TTS）模型。此项技术的进步，使得全球开发者能够构建高仿真度的语音机器人应用，且延迟时间极短，降低了实施成本，提高了应用的可及性。Lightning 目前支持英语和印地语的多种口音，团队还计划迅速添加更多语言，以满足市场需求。这款模型的定价为每分钟仅需0.02美元（约1.6印度卢比），为语音机器人开发者提供了一种极具成本效益的解决方案，应用
