搜索全球AI产品动态

3月6日，出门问问（Mobvoi）联合香港科技大学、上海交通大学、南洋理工大学、西北工业大学等顶尖学术机构，共同开源新一代语音生成模型Spark-TTS，并重磅推出其商业化高品质TTS引擎——TicVoice7.0。作为出门问问第七代TTS引擎，TicVoice7.0在语音生成领域实现了重大突破，开启了全新的语音生成范式。

日前，一款名为 Spark-TTS 的先进文本转语音系统引发了 AI 社区的广泛讨论。根据最新的 X 帖子和相关研究，这款系统以其零样本语音克隆和细粒度语音控制能力脱颖而出，展现了语音合成领域的重大突破。这款系统充分利用了大型语言模型（LLM）的强大能力，致力于实现高度准确且自然的语音合成，适用于研究和商业领域。Spark-TTS 的设计理念强调简洁与高效。该系统完全基于 Qwen2.5构建，摒弃了以往需要额外生成模型的复杂流程。与其他模型不同，Spark-TTS 直接从 LLM 预测的代码中重建音频

ElevenLabs 是一家备受瞩目的人工智能语音克隆与生成初创公司，近日推出了其最新的语音转文本模型 ——Scribe v1。该模型声称在多种语言中都达到了最高的准确性，用户可以通过其官网进行体验。根据 ElevenLabs 的基准测试，Scribe 在将口语准确转换为文本方面，超越了谷歌的 Gemini2.0Flash、OpenAI 的 Whisper v3和 Deepgram Nova-3，取得了前所未有的低错误率。该公司表示，Scribe 支持99种语言的高精度转录，其中包括在以前被忽视的语言，如塞尔维亚语、粤语和马拉雅拉姆语。ElevenLabs 的首席研究员 Fla

近日，HYBE 旗下的人工智能语音公司 Supertone 宣布推出了一款名为 “Supertone Play” 的文本转语音工具，旨在生成高质量、富有表现力的音频内容。这款新工具目前支持英语、韩语和日语，预计在今年内将扩展至西班牙语和中文。Supertone Play 提供了150种声音角色，适用于多种内容创作需求，包括自然对话、专业播报新闻和有声读物，以及潮流驱动的搞笑声音。此外，它还具备语音克隆功能，用户可以在短短10秒钟内根据自己的声音创建个性化的声音角色，并能够调整不同的情感语调，以满足不

ZyphraAI 近日发布了其最新的多语言文本到语音（TTS）模型 **Zonos-TTS**，该模型基于 **Apache2.0许可证**，完全开源且可商用。Zonos-TTS 不仅支持实时语音克隆功能，还经过20万小时的英语语音数据训练，表现出卓越的性能。Zonos-TTS 提供了两种部署方式:支持本地部署和便捷的 API 服务。对于普通用户，ZyphraAI 提供每月免费生成 **100分钟** 音频的服务;专业版用户则可以选择 **300分钟/5美元** 的套餐，超出部分按每分钟 **0.02美元** 计费。特别值得一提的是，实时语音克隆功能完全免费，且支持高音频

人工智能语音公司ElevenLabs再次引发关注，该公司刚刚完成了一轮高达2.5亿美元的C轮融资，估值在30亿至33亿美元之间。本次融资由ICONIQ Growth领投，显示出市场对AI语音技术的强烈信心。仅在一年之前，ElevenLabs刚刚完成了一笔8000万美元的B轮融资，当时的估值仅为现在的三分之一，可见该公司发展之迅猛。ElevenLabs由Mati Staniszewski和Piotr Dabkowski于2022年创立，旨在解决配音质量低劣的问题。如今，该公司已成为AI语音领域的领导者，其核心技术包括语音克隆和配音工具。随着生成式人工智能的兴

继2024年底海螺AI海外版上线AI语音克隆功能后，日前Hailuo AI又上线了新语音模型T2A-01-HD。T2A-01-HD新语音模型同样支持语音克隆，能生成情感丰富的语音。根据官方介绍，T2A-01-HD在原来的音频模型基础上，增强的音频质量，具有卓越的克隆精度不过T2A-01-HD目前尚未未开源，用户可以在网页上限时免费使用。进入Hailuo AI 音频页面后，可以看到右上角可以选择模型。想要体验新模型，只要选择“T2A-01-HD”即可使用。AIbase在体验之后，T2A-01-HD生成的音频质量会比原来的版本的确更高更清晰。感兴趣

最近，中文 AI 语音克隆技术迎来了一个突破性进展。海螺 AI 海外版推出的音频克隆模块，只需10到60秒的音频样本，便能完美复刻用户的声音。海螺 AI 海外版的音频克隆效果让许多用户感到惊喜，因为以往在中文语音克隆领域，虽然有不少产品，但效果往往不如人意。海螺 AI 的音频克隆功能非常简单易用，支持用户可以创建多个声音模型，用户只要进入“voice”模块，选择创建声音，并上传10秒至60秒长度的音频素材，就能对声音进行克隆。另外，系统支持12种语言，包括中文、粤语、英语

Hume AI，这家专注于情感智能语音界面的初创公司，近日推出了一项名为 “语音控制” 的实验性功能。这个新工具旨在帮助开发者和用户无需任何编码、AI 提示工程或音效设计技能，就能创造出个性化的 AI 声音。用户可以通过精确调节声音特征，轻松定制符合需求的声音。这项新功能建立在公司之前推出的 “共情语音界面2”（EVI2）的基础上，EVI2增强了语音的自然性、情感反应能力和可定制性。与传统的语音克隆技术不同，Hume 的产品专注于提供独特且富有表现力的声音，以满足客户服务

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

最近，备受欢迎的 AI 角色制作工具 Hedra 宣布了一项激动人心的新功能 —— 语音克隆!现在，用户只需录制一小段自己的声音，就能在平台上克隆、存储并应用到你创建或上传的任何角色上。不过，这个新工具仅对付费用户开放，最低订阅费用为每月10美元。Hedra 的操作简单易懂，这也是它的一大亮点。在与 Runway 和 Kling 的对比中，Hedra 在对口型方面表现优异，产生的嘴部动作也相当准确。想要体验Hedra 功能，首先，你需要注册并登录，进入创建页面。在这里，你会看到三个主要面板。第一

在人工智能迅猛发展的今天，语音合成和转换技术日新月异，为我们带来了无比真实、自然的音频体验。然而，这些技术的进步也带来了潜在的安全隐患，特别是"语音克隆"技术可能被不法分子利用，威胁个人隐私和社会稳定。针对这一挑战，浙江大学智能系统安全实验室和清华大学携手推出了一个革命性的语音伪造检测框架——SafeEar。这个框架不仅能高效检测伪造音频，还能在检测过程中保护用户的语音隐私，实现了安全与隐私的双重保障。SafeEar的核心技术在于其采用的基于神经音频编

在科技迅猛发展的今天，语音合成技术也在进步，尤其恢复失去声音领域。最近，谷歌研究人员们提出了一种名为 “零样本语音转换（zero-shot voice transfer）” 的新技术项技术可以直接与最先进的文本语音（TTS）系统相结合，帮助那些因疾病事故失去声音的人，找回他们的 “声音记忆。这项技术的核心在于 “零样本” 能力，意味着我们不需要大量样本就能实现语音转换。也就是说，仅需几秒钟的参考音频，即可实现声音克隆，且支持合成跨语言的音频。“零样本” 克隆声音能力研究团队

亚马逊启动AI克隆解说员项目，旨在加速有声书制作。该项目通过邀请解说员提交录音训练AI，实现AI“语音克隆”。解说员可自主选择参与项目，包括现场表演或AI生成录音。使用AI克隆的有声书将在产品详情页标记，并通过版税分享模式支付解说员报酬，AI克隆使用需解说员同意。此功能在美国进行Beta测试后将扩展至权利持有人，旨在为解说员提供更多创作机会，推动有声书市场发展。

D-ID最近发布了AI Video Translate，一款创新的AI视频翻译工具，能够将视频内容翻译成多种语言，并克隆讲述者的声音，调整口型以确保翻译内容与画面完美契合。该工具支持29种语言的批量渲染，具备用户友好的界面，使得任何人都能轻松使用。D-ID通过这一技术，帮助客户在全球范围内推广营销、娱乐和社交媒体活动，节省了本地化成本。这项技术的推出对小型创作者特别有帮助，让他们能够接触到更广泛的观众群体。AI技术在翻译和声音克隆方面不断进步，为视频内容的全球化推广提供了新途径。D-ID的AI Video Translate工具将通过其平台D-ID Studio及API提供，且为订阅用户提供免费试用。对于使用该工具时，视频长度应在10秒至5分钟之间，文件大小不超过2GB，并要求视频中只包含一位面向镜头、面部始终可见的讲述者，以确保最佳效果。

演员工会 SAG-AFTRA 与 AI 克隆初创公司 Narrativ 签订协议，允许演员合法授权其声音用于 AI 生成的音频广告。协议确保演员有权了解并拒绝品牌提议，设定价格并进行谈判以获得合理报酬。SAG-AFTRA 的福利计划将从广告收入中分得一部分，但具体比例未公开。此协议旨在解决 AI 克隆声音在未经授权情况下广泛传播的问题，此前与 AI 行业的紧张关系在协议后有所缓和。然而，SAG-AFTRA 的电子游戏配音演员仍在罢工，争取更多 AI 保护。此次合作被视为工会在 AI 问题上取得的进展。

微软近期发布了一款零样本文本到语音（TTS）模型VALLE-2，该成果在技术界引发热议，被认为是TTS领域的里程碑。VALLE-2的创新之处在于其零样本学习能力，仅需一小段陌生语音样本，便能模仿声音说任意文本，实现了惊人的即时模仿和编码器分组。它还改进了重复感知采样，提高解码稳定性，并简化了数据需求。在主观评分和客观指标的测试中，VALLE-2超越了前代模型VALLE，几乎达到人类语音水平。然而，强大的语音模仿能力也引发了对Deepfake技术滥用的担忧，特别是关于伦理考量和潜在风险，如模型对非英美口音处理能力及计算效率的改进空间。当前，微软仅将其作为研究项目，并强调了合成语音检测和授权机制的重要性。未来在语音助手、内容创作等领域的应用值得期待，同时需要关注技术的伦理使用与风险防控。更多关于VALLE-2的信息可访问项目页面：Microsoft官网。

Resemble AI，一家领先的语音克隆公司，近日宣布发布了其下一代深度伪造检测模型 Detect-2B。这款新模型在检测 AI 生成的音频方面表现出了约94%的高准确率，标志着深度伪造检测技术的又一重要进步。

["IBM研究人员发现了一种相对简单的方法，可以利用生成式AI工具劫持语音通话。这一发现引发了对金融机构等依赖电话验证身份的组织的担忧。这将使聊天机器人困扰，因为它们仍然","对金融机构等使用电话验证身份的组织而言，使用低成本AI工具，骗子能够轻松冒充他人的声音，窃取资金和其他敏感信息。","音频劫持是一种新的威胁，威胁行为者可在进行中的对话中使用语音克隆操纵大型语言模型。","IBM研究人员称该威胁为“音频劫持”，威胁行为者可以使用语音克隆在进行中的对话中操纵大型语言模型。"]