阿里巴巴通义实验室语音团队宣布，其开源的语音生成大模型CosyVoice已升级至2.0版本，这一升级标志着语音生成技术在准确性、稳定性和自然体验方面的显著进步。CosyVoice2.0通过采用离线和流式一体化建模的语音生成大模型技术，实现了双向流式语音合成，首包合成延迟可达到150ms，显著提升了语音合成的响应速度。

阿里巴巴达摩院的通义实验室近期宣布开源一项名为ClearerVoice-Studio的语音处理技术，旨在提升语音质量和可懂度。随着语音技术的广泛应用，语音质量受到越来越多人的关注，尤其是在环境噪声、混响和设备拾音等情况下，语音处理技术的需求日益迫切。

人工智能正在以前所未有的速度重塑人机交互的边界。Hume AI的Voice Control功能应运而生，为数字世界带来了一场声音交互的技术变革。这项创新技术的核心突破在于其前所未有的语音精细调控能力。传统AI语音往往受限于预设模式，而Hume提供了一种全新的个性化解决方案。用户可以通过十个维度对语音进行精准调整，实现从未有过的声音表达自由。图源备注：图片由AI生成，图片授权服务商Midjourney这十个可调节的语音维度宛如一个声音的全方位调色板:从性别特征的阳刚与阴柔，到果断程度

近日，短视频平台 TikTok 宣布将与 Getty Images 达成合作，推出新的 AI 广告创作工具。通过这一合作，广告商可以在使用 TikTok 的 AI 广告创作工具时，直接使用 Getty Images 提供的授权图像和视频，制作出包含 AI 生成内容的广告。该平台的 AI 头像功能可以创建看起来像真人的虚拟角色，为广告内容带来更丰富的表现形式。这一功能将在 TikTok 的 “Symphony Creative Studio” 中上线，成为所有广告商可用的 AI 驱动视频生成工具。广告商只需输入产品描述，便可以生成一个相应的视频，AI 头像还可以在

DeepL 作为全球语言人工智能的领导者，近日推出了全新的实时语音翻译工具 ——DeepL Voice，旨在促进不同语言之间的无缝沟通。DeepL 的估值已达到20亿美元，其在企业和个人语言解决方案方面的领导地位不容小觑。DeepL Voice 是该公司首款专注于语音翻译的产品，超越了其著名的文本翻译服务，能够实时翻译，实现面对面或虚拟场景下的多语言互动。该工具支持多种语言，包括英语、德语、日语、韩语、法语、西班牙语等，并提供 DeepL 翻译支持的所有33种语言的字幕。借助这些功能，DeepL Voi

人工智能公司Cartesia近日上线了一款名为"Voice Changer"的语音转换模型。与传统语音转换不同，这款模型除了能将输入语音转换为目标声音外，还能保持原声中的语调、重音等表达特征。据Cartesia官方介绍，用户可以在play.cartesia.ai网站上试用这项功能。目前该公司已发布相关API文档，开发者可通过docs.cartesia.ai查看详细说明。记者注意到，这类保留语音特征的转换技术在市场上并不常见。大多数现有工具在转换声音时往往会丢失说话者的语气变化，导致转换后的声音听起来较为机械。Cartesia在

Getty Images发布了一项重大举措，向AI开发者提供包含3750张高质量照片的训练数据集，覆盖15个类别，旨在支持AI应用场景的开发。这些照片已上线Hugging Face平台，用户同意服务条款并提供联系方式后即可免费访问。此举旨在吸引企业和开发者，同时推广其付费授权服务。Getty Images声称拥有超过5.72亿张照片，其中2亿多张可用于商业用途，每张照片附有详尽元数据，包括关键词和结构化信息，旨在降低侵权风险。这一战略反映了图库服务向AI时代的积极转型，为图像识别和生成技术的发展提供了重要资源。该行动对行业影响深远，预示着AI与传统图库服务的融合创新。

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。

Getty Images与NVIDIA合作，推出升级AI图像生成工具，速度提升至6秒生成4张图片，比前代快一倍。新模型采用NVIDIA Edify架构，输出质量显著提高，支持更长指令输入，图像放大效果更佳，且能对模型进行微调。工具新增AI图像修改功能，用户可修改生成的AI图像和预拍摄创意图像，包括添加或更改元素、扩展画布等。此功能已上线iStock，并将很快在Getty Images平台推出。模型训练来源于Getty Images的创意库，确保无商标、标志等第三方知识产权元素。公司承诺为商业使用提供赔偿，并提供微调功能，允许企业客户整合品牌资产，构建定制化模型。此次更新旨在提升创意流程效率与安全性，为企业与个人提供强大工具。

亚马逊近期发布了其内部AI模型Titan Image Generator的升级版本v2，为使用AWS Bedrock生成AI平台的客户提供了一系列增强功能。Titan Image Generator v2不仅保留了原有功能，还新增了图像调节、配色方案控制、背景移除优化以及主题一致性保持等特性。用户可通过提供参考图像和文本提示，精确控制生成图像的内容，甚至控制配色方案和保持特定主题的一致性。该模型还具备智能识别多个前景对象的能力，并提供背景移除功能，确保主要对象清晰展现。此外，AWS为用户提供了赔偿政策，以保护生成内容不侵犯版权。Titan Image Generator v2已在部分地区上线，预计未来将覆盖更多区域。亚马逊对生成AI技术充满信心，认为它将在云端快速发展。

阿里巴巴最新推出的CosyVoice语音合成模型和SenseVoice语音识别模型，共同构成了FunAudioLLM框架，旨在提升人机交互体验。CosyVoice以其逼真的声音生成能力，能模仿不同性别、年龄和个性的声音，添加情感和风格，甚至模拟自然特征如笑声、咳嗽和呼吸。SenseVoice则专注于高精度的多语言语音识别、情感识别和音频事件检测，支持超过50种语言，反应速度快。FunAudioLLM的语音到语音翻译功能实现了快速而准确的跨语言交流，同时，它在情感交互方面的表现也极为出色，能根据用户情绪做出恰当的回应。对于文学爱好者，FunAudioLLM的有声书制作技术能提供富有表现力的朗读体验。这些技术突破预示着人机交互的未来将更加自然、人性化，为教育、娱乐、客户服务等领域带来革命性变化。

近期，谷歌在Google I/O大会上宣布了一系列新功能和产品，尽管主要产品尚未发布，但已透露出一些开发动态： 1. 7月将发布五款名为Gemini的产品，可能包括：新版Imagen3、Gemini定制GPT、个性化回应、预定提示、录音功能和Google Photos集成等。 2. Imagen3预计将开放给AI Labs的alpha测试人员并可能向Gemini Advanced用户提供。 3. Gemini的定制GPT(GEM)已经开发完成，允许用户在GEMs Manager选项卡中查看、编辑和复制。 4. 个性化回应功能允许用户安排提示，例如，早上接收个性化新闻摘要。 5. 预设提示功能，类似于ChatGPT的记忆功能，已准备就绪。 6. 录音功能和与Google Photos的集成正在进行测试。 7. 正在对实时响应进行优化，未来可能会提供更精细的自定义功能选项。 8. Gemini正积极准备iOS版本的Beta测试，暗示即将发布iOS版本。 概括来说，谷歌Gemini产品正在积极开发中，重点在丰富的人工智能交互与集成功能，以及多平台支持，旨在提升用户体验，开拓个性化智能对话的新阶段。

ElevenLabs推出Voice Isolator，可去除背景噪音，提取清晰对话，带来优质音频体验。

["MIT、清华大学与加拿大AI初创公司MyShell合作开发的开源语音克隆工具OpenVoice引起关注。","OpenVoice采用简单高效的方法，几乎即时克隆用户语音，大幅减少计算资源消耗。","功能强大，提供细致控制选项，包括语调、情感、节奏、停顿等，生成个性化风格的语音克隆。","MyShell商业模式计划通过Web应用提供月度订阅、第三方机器人创建者推广费用以及人工智能培训数据费用等多方面赚取收入。","OpenVoice的两大AI模型包括文本到语音（TTS）模型和“音调转换器”模型，通过训练实现语音克隆。"]

["微软最新技术Personal Voice，一分钟生成与用户声音完全一致的AI语音。","支持100种语言输出，涵盖中文、西班牙语、德语等。","广泛应用于语音助手、游戏、娱乐和媒体领域。","与海尔合作将个性化声音引入智能音箱和家电产品。","上线前承诺责任使用，提供有限注册，加入水印保障合规性和透明性。"]

["Omnicom宣布与Getty Images合作，获取生成式人工智能的先行体验权限。","Omni开放操作系统将整合Getty Images的生成式AI工具，助力创作商业安全的内容。","Getty Images的AI工具采用NVIDIA Picasso架构，为商业使用提供无限制保障。"]

["总部位于美国西雅图的Getty Images积极应对AI技术威胁，采取双策略应对侵权问题。","他们起诉涉及侵权的AI图像生成公司，同时推出全新的AI图像生成服务，名为Generative AI。","Generative AI服务允许商业客户创建新颖的图像，避免知识产权风险"]

["微软确认Bing Image Creator内容过滤规则过于严格,正在进行优化改进。","用户尝试生成正常图像时也遇到内容违规提示,情况似乎并非有意为之。","内容监控出现问题后,微软表示已经意识到情况,正准备进行检查与修正。","此前微软曾表示之所以内容过滤过于严格,是为了确保发布时的安全性。","希望通过改进,Bing Image Creator的内容过滤机制能够变得更加合理。"]

["Getty Images与Nvidia合作开发生成式AI图片工具。","该工具仅基于Getty Images的图像库进行训练，引发了有关图片创作者版权的争议。","生成AI为商业用途的AI艺术作品提供法律安全性，同时为创作者提供新的创作工具。","此合作引发对知识产权和创作者权益的讨论。","尽管AI技术提供新可能性，但需平衡创作者权益和技术创新。"]

["Voiceflow 是一家提供对话式人工智能代理协作平台的初创公司。","Voiceflow 的协作平台类似于 Figma，为团队提供一体化的低代码环境来设计、构建、测试和部署对话式人工智能代理。","Voiceflow 已与 450 家企业合作，用户数量超过 13 万，本轮融资总额达 3500 万美元，估值达到 1.05 亿美元。"]