「文字转语音」共找到 470 篇相关文章
ICLR 2026｜原生多模态推理新范式ThinkMorph ，让文字与图像在统一架构中共同演化
NUS、ZJU 等联合提出「ThinkMorph」，主张文字与图像在统一架构「原生协作」。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩或超 GPT - 4o 和 Gemini 2.5 Flash，还涌现新能力。
语音分离最全综述来了！清华等团队深度分析200+文章，系统解析「鸡尾酒会问题」研究
清华等多校及字节跳动研究者全面调研语音分离领域，撰写综述论文，分析200余篇代表性论文。从问题定义、学习范式、模型架构等多维度展开，还探讨评估指标、数据集等，指出未来挑战与探索方向。
开源真强大，不敢相信，太真实，揭秘8.3k star 开源神器 VoiceCraft 如何封神！！！
VoiceCraft 是多团队合作推出的零样本语音编辑与 TTS 开源项目。它能几秒克隆语音，实现编辑功能，支持零样本文本转语音，在真实场景音频中性能超 XTTS - v2、VALL‑E 等模型，解决了内容创作和编辑痛点。
OpenAI 详解规模化低延迟语音 AI 的 WebRTC 架构
OpenAI 介绍为全球规模低延迟语音 AI 调整 WebRTC 架构，将传统媒体终结模型换为中继收发器架构，分离职责，避免复杂逻辑堆砌与转嫁。此架构为实时语音技术布局补充基础设施细节，对架构师有参考价值。
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
Meta发布Omnilingual ASR：支持1600+语言的开源语音识别系统
Meta发布全新自动语音识别系统Omnilingual ASR，支持超1600种语言，核心创新是零样本和少样本学习能力，降低小语种语音识别门槛。项目提供不同规模模型，安装调用简单，目前仅支持40秒内音频，数据集和项目均开源。
17K+ star！ElevenLabs 超强平替，能克隆、能混音、能 API 调用！
ElevenLabs 效果好但价格贵且有隐私风险，现开源项目 Voicebox 是其免费替代。它本地优先运行，功能丰富，如语音克隆、文本转语音等，在 GitHub 收获 17.4K+ Star，适合多类用户。
最小模型仅 25MB，老设备无 GPU 也能流畅跑！
开源项目`KittenTTS`是文本转语音模型系列，核心特点是“小身材，大能量”。最小模型约1500万参数，体积25MB以内，无需GPU，靠CPU就能实现高质量语音合成，适合多种设备和场景。
有嘴就能用电脑的时代来了
作者分享语音输入体验，先自制工具，后用微信输入法，现用豆包输入法。指出语音输入对内容创作者等很重要，介绍豆包输入法优点，还提到语音输入成AI核心场景及使用建议。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。