2025年1月20日，豆包 App 正式发布了其最新的 “端到端” 语音大模型，并对实时语音通话功能进行了重要更新。这一进展标志着豆包在语音交互领域的又一次飞跃，超越了之前的 ASR（自动语音识别）、LLM(大语言模型)和 TTS(文生音频)的级联方案，将语音识别、理解和生成整合在同一个模型中。经过《智能涌现》的测试，新版豆包的最大亮点在于其具备了人类般的表达能力和情感输出，提升了对话的流畅度与智能水平。尤其是 “灵魂歌手” 和 “百变大咖” 模式，让豆包不仅能够进行唱歌，

在人工智能的快速发展中，语音合成技术正日益受到关注。近日，名为 Kokoro 的最新语音合成模型在 Hugging Face 平台上正式发布，该模型具有8200万参数，标志着语音合成领域的一个重要里程碑。Kokoro v0.19在发布之前的几周里，在 TTS（文本转语音）领域的排行榜上位列第一，其表现甚至超过了其他参数更多的模型。这一模型在单声道设置下，仅用不到100小时的音频数据，便实现了与467M 参数的 XTTS v2和1.2B 参数的 MetaVoice 等模型相媲美的效果。这一成就表明，传统语音合成模型的性能与参数、

今日，豆包大模型官方发布豆包大模型的8个关键时刻!自2024年5月15日首次亮相以来，豆包大模型已破土而出，历经230天加速成长。从初步的学语，到懵懂的世界探索，再到为创作者绘制奇幻梦境，这一路的每一步都充满了挑战与成就。1. 语音识别与情感表达的突破豆包大模型在7月实现了语音识别领域的一大突破:能听懂超过20种方言的混合对话，并且具备边听边思考的能力。不仅如此，它还学会了在对话中表达情感，能在交互中自如地插话，甚至保留吞音和口音等人类语言习惯。这背后的核

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

OpenAI 宣布任命前优步（Uber ）首席伦理与合规官 Scott Schools 为公司的首席合规官，Schools 的加入将为 OpenAI 带来新的合规视角。他曾在美国司法部担任副检察长，因此对合规和伦理问题有着深厚的理解。随着 OpenAI 的运营不断扩展，面临越来越多的监管审查，公司希望借助 Schools 的专业背景，强化自身在人工智能治理框架和伦理标准方面的工作。他的加入标志着 OpenAI 在朝着更加合规和透明的方向迈出重要一步。与此同时，OpenAI 还在进行更广泛的结构调整，计划将公司转变为一家公共利益公

最近，来自上海交通大学、剑桥大学和吉利汽车研究院的研究团队推出了一种全新的文本到语音（TTS）系统，名为 F5-TTS。这种系统的特别之处在于，它采用了一种无自回归的方法，结合了流匹配与扩散变换器(DiT)，成功简化了传统 TTS 模型中的复杂步骤。大家都知道，传统的 TTS 模型往往需要进行复杂的持续时间建模、音素对齐和专门的文本编码，这些都增加了合成过程的复杂性。尤其是以往的模型如 E2TTS，常常面临着收敛速度慢和文本与语音对齐不准确的问题，这让它们在现实场景中很难

吉利汽车近日在语音合成领域取得重大突破，其自主研发的HAM-TTS大模型性能超越了行业标杆VALL-E，引起业界广泛关注。这款名为"星睿"的AI大模型在发音准确性、自然度和说话人相似度等关键指标上均实现了显著提升。HAM-TTS模型采用基于token的零样本文字转语音分层声学建模技术，在智能座舱中大幅提升了用户交互体验。在相同的4亿参数条件下，HAM-TTS模型的字符错误率比VALL-E下降了1.5%;而在8亿参数的完全体上，字符错误率更是直降2.3%。在风格一致性、音调一致性和整体得分上，HAM-TTS模型

在2024年云栖大会的开幕式上，巨人网络首次亮相并展出了其在“游戏+AI”领域的最新成果。该公司推出了两款自研的大模型应用——GiantGPT和BaiLing-TTS，同时展示了AI数字人和AI绘画平台巨人摹境等新技术。

Fish Speech1.4版本的发布标志着这款开源文本转语音（TTS）模型在多语言支持和性能方面取得了重大突破。作为一个致力于提供高质量、自然流畅语音合成体验的创新解决方案，Fish Speech在这次更新中展现了其强大的技术实力和广阔的应用前景。多语言支持大幅提升Fish Speech1.4最引人注目的特点是其强大的多语言支持能力:训练数据量翻倍:模型使用了70万小时的多语言数据进行训练，较之前的20万小时有了显著提升。这意味着模型能够学习到更多语言的细微差别和表达方式。语言支持扩展:现在支

一款名为ChatTTS-OpenVoice的创新项目在互联网上引发关注，将ChatTTS与OpenVoice技术融合，能根据用户上传的10秒参考音频生成个性化、自然的语音。该技术适用于配音工具与语音助手，通过简化上传过程，用户可获得定制化语音体验。该项目上线后，受到开发者和用户广泛好评，已在社交媒体上引起热议。负责人表示，旨在为用户提供更加个性化、自然的语音生成体验，为相关领域注入活力。ChatTTS-OpenVoice的未来发展前景备受期待。