Loading video...

Video Failed to Load

Go Home

Codex 自己配音 更离谱的是，用的还是我自己的声音。 一个 41K Star 的开源项目：Voicebox。 它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。 重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费 以前做配音，要么买付费软件，要么用云端 TTS。 现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。 一句话： 它像是开源版 ElevenLabs + AI...

mnmn94253156337's profile picture

撸毛吃猪脚饭|上Gate玩事件合约

12,763 subscribers

48,335 views • 6 days ago •via X (Twitter)

Science & TechnologyEducationComedy
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

我一直有一个小需求，是用我的 AI 音色把文字内容做成播客。 可就是这么一个小小的需求，各种方法用了一圈，都特别麻烦。 要么就得自己训练模型... 要么就是2B服务，后台难用的一批... 要么就是只能微信使用，还收费99一个声音... 试完发现就只有 Fish Audio 可以满足我的需求。 - 简单，录音十秒就能克隆自己的声音，还支持上传录音文件克隆朋友的声音 - 易用，打开网页就可以直接合成声音，不用下载APP，不用打开小程序，非常方便 - 免费，其他平台克隆一个声音收100，非常离谱，Fish Audio 克隆声音不要钱，生成500字以内也不要钱，一般内容几百字对个人来说完全够用（更多字数订阅10美金/月也不贵说实话） Fish 不仅能克隆自己的声音，还提供了一个声音共享社区，里面有各种用户上传的上万种有趣声音可以体验，坤坤，赛马娘，孙笑川，高启强...打开你的想象空间... 另外附上这条推的音频版，全部使用 Fish Audio 克隆和生成，使用剪映美化声音、增加背景音防止被其他人克隆，可以试听一下。 Fish Audio 的网址，记得收藏，以后你一定会用到
1:06

我一直有一个小需求，是用我的 AI 音色把文字内容做成播客。 可就是这么一个小小的需求，各种方法用了一圈，都特别麻烦。 要么就得自己训练模型... 要么就是2B服务，后台难用的一批... 要么就是只能微信使用，还收费99一个声音... 试完发现就只有 Fish Audio 可以满足我的需求。 - 简单，录音十秒就能克隆自己的声音，还支持上传录音文件克隆朋友的声音 - 易用，打开网页就可以直接合成声音，不用下载APP，不用打开小程序，非常方便 - 免费，其他平台克隆一个声音收100，非常离谱，Fish Audio 克隆声音不要钱，生成500字以内也不要钱，一般内容几百字对个人来说完全够用（更多字数订阅10美金/月也不贵说实话） Fish 不仅能克隆自己的声音，还提供了一个声音共享社区，里面有各种用户上传的上万种有趣声音可以体验，坤坤，赛马娘，孙笑川，高启强...打开你的想象空间... 另外附上这条推的音频版，全部使用 Fish Audio 克隆和生成，使用剪映美化声音、增加背景音防止被其他人克隆，可以试听一下。 Fish Audio 的网址，记得收藏，以后你一定会用到

Orange AI

61,613 views • 1 year ago

holy shit，刷到一个开源语音生成项目，中英文语音效果真的吊炸，有点行业掀桌子的意思🚀 ElevenLabs 个人版每月 $5 到 $99 ，商业版更是开到 $1320一个月，现在这个完全开源、免费本地运行的模型 VoxCPM2，在部分语音相似度基准上表现我想用惊人来形容🤩 根据公开的 Minimax-MLS 语音相似度测试： • 英语：VoxCPM2 得分 85.4%，ElevenLabs 为 61.3% • 中文：VoxCPM2 得分 82.5%，ElevenLabs 为 67.7% • 阿拉伯语：VoxCPM2 得分 79.1%，ElevenLabs 为 70.6% 支持 30 种语言、48kHz 工作室级输出，可通过短音频片段进行语音克隆，也支持纯文本描述生成新声音（Voice Design），并能在本地 GPU 上运行（最低约 8GB VRAM）。 项目由 OpenBMB 与清华大学相关团队开发，采用 Apache 2.0 许可，可免费用于商业用途。GitHub 已登上 Trending。 你只要给它一小段录音，它就能把这个人的声音完整复刻下来。 口音、情绪、语速、呼吸的节奏，分毫不差。 输出是 48kHz 的录音棚品质，普通人根本听不出是 AI 生成的。 更离谱的是，你甚至可以用文字直接创造声音。 写一句“二十多岁的女生，声音温柔带点沙哑”，它就能从无到有生成一个完全符合描述的声音。 不用找参考音频，不用请配音演员，连麦克风都不用开。 它的能力有多夸张呢： • 文字造声：描述性别、年龄、音色、情绪，AI 直接生成 • 完美克隆：上传 1 分钟音频，复刻所有声音细节 • 可控克隆：克隆后还能改情绪，比如“语速加快，带着一点兴奋” • 极致还原：给音频加对应文本，连语气的细微起伏都能复现 • 30 种语言自动识别，不用手动标注 • 上下文感知，读新闻像主播，讲故事像说书人 • RTX 4090 上生成速度比播放还快 • 8G 显存就能跑，普通游戏本都能用 • 用 5-10 分钟自己的声音微调，就能得到专属声音模型 最震撼的是第三方基准测试的结果： 英语相似度 VoxCPM2 85.4% vs ElevenLabs 61.3% 中文相似度 VoxCPM2 82.5% vs ElevenLabs 67.7% 阿拉伯语相似度 VoxCPM2 79.1% vs ElevenLabs 70.6% 一个免费开源项目，在核心指标上全面碾压了行业标杆。 专业配音一个项目 250 到 1000 美元 AI 语音平台每月 5 到 100 美元 录音棚每小时 200 美元 VoxCPM2 完全运行在你本地电脑上。 没有 API 费用，没有按字符计费，没有订阅。 永远免费，还能商用。 一行命令就能安装：pip install voxcpm 以下中文实测视频是电磁波Studio 老哥提供，供大家参考， 作为新开源模型，在情绪控制稳定性、长文本一致性、企业级可靠性等方面可能仍有提升空间，实际使用体验建议大家亲自测试， GitHub地址和在线 Demo老规矩评论区自取 👇
4:22

holy shit，刷到一个开源语音生成项目，中英文语音效果真的吊炸，有点行业掀桌子的意思🚀 ElevenLabs 个人版每月 $5 到 $99 ，商业版更是开到 $1320一个月，现在这个完全开源、免费本地运行的模型 VoxCPM2，在部分语音相似度基准上表现我想用惊人来形容🤩 根据公开的 Minimax-MLS 语音相似度测试： • 英语：VoxCPM2 得分 85.4%，ElevenLabs 为 61.3% • 中文：VoxCPM2 得分 82.5%，ElevenLabs 为 67.7% • 阿拉伯语：VoxCPM2 得分 79.1%，ElevenLabs 为 70.6% 支持 30 种语言、48kHz 工作室级输出，可通过短音频片段进行语音克隆，也支持纯文本描述生成新声音（Voice Design），并能在本地 GPU 上运行（最低约 8GB VRAM）。 项目由 OpenBMB 与清华大学相关团队开发，采用 Apache 2.0 许可，可免费用于商业用途。GitHub 已登上 Trending。 你只要给它一小段录音，它就能把这个人的声音完整复刻下来。 口音、情绪、语速、呼吸的节奏，分毫不差。 输出是 48kHz 的录音棚品质，普通人根本听不出是 AI 生成的。 更离谱的是，你甚至可以用文字直接创造声音。 写一句“二十多岁的女生，声音温柔带点沙哑”，它就能从无到有生成一个完全符合描述的声音。 不用找参考音频，不用请配音演员，连麦克风都不用开。 它的能力有多夸张呢： • 文字造声：描述性别、年龄、音色、情绪，AI 直接生成 • 完美克隆：上传 1 分钟音频，复刻所有声音细节 • 可控克隆：克隆后还能改情绪，比如“语速加快，带着一点兴奋” • 极致还原：给音频加对应文本，连语气的细微起伏都能复现 • 30 种语言自动识别，不用手动标注 • 上下文感知，读新闻像主播，讲故事像说书人 • RTX 4090 上生成速度比播放还快 • 8G 显存就能跑，普通游戏本都能用 • 用 5-10 分钟自己的声音微调，就能得到专属声音模型 最震撼的是第三方基准测试的结果： 英语相似度 VoxCPM2 85.4% vs ElevenLabs 61.3% 中文相似度 VoxCPM2 82.5% vs ElevenLabs 67.7% 阿拉伯语相似度 VoxCPM2 79.1% vs ElevenLabs 70.6% 一个免费开源项目，在核心指标上全面碾压了行业标杆。 专业配音一个项目 250 到 1000 美元 AI 语音平台每月 5 到 100 美元 录音棚每小时 200 美元 VoxCPM2 完全运行在你本地电脑上。 没有 API 费用，没有按字符计费，没有订阅。 永远免费，还能商用。 一行命令就能安装：pip install voxcpm 以下中文实测视频是电磁波Studio 老哥提供，供大家参考， 作为新开源模型，在情绪控制稳定性、长文本一致性、企业级可靠性等方面可能仍有提升空间，实际使用体验建议大家亲自测试， GitHub地址和在线 Demo老规矩评论区自取 👇

AYi

49,571 views • 3 months ago

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP
0:34

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP

AIGCLINK

56,071 views • 1 year ago

效果非常不错的一款TTS，一个完全非自回归的TTS模型：MaskGCT 它不需要文本和语音之间的显式对齐信息，也不需要音素级别的持续时间预测，采用了掩码和预测的学习方式，在声音克隆、跨语种合成、语音控制等方面表现优秀 1、支持控制生成语音的总长度，可调节语速、停顿等韵律特征、支持情感控制和语气调整，比如开心的、悲伤的、生气的、平静的等情绪 2、支持零样本语音合成，可以修改已生成的语音，支持声音转换和克隆 github： 项目： #TTS #MaskGCT
1:15

效果非常不错的一款TTS，一个完全非自回归的TTS模型：MaskGCT 它不需要文本和语音之间的显式对齐信息，也不需要音素级别的持续时间预测，采用了掩码和预测的学习方式，在声音克隆、跨语种合成、语音控制等方面表现优秀 1、支持控制生成语音的总长度，可调节语速、停顿等韵律特征、支持情感控制和语气调整，比如开心的、悲伤的、生气的、平静的等情绪 2、支持零样本语音合成，可以修改已生成的语音，支持声音转换和克隆 github： 项目： #TTS #MaskGCT

AIGCLINK

103,720 views • 1 year ago

这个免费配音产品，真好玩啊，VoxCPM2。 以前做 AI 配音，要么按月给平台交钱，要么自己折腾一堆模型。现在 OpenBMB 把这套东西直接开源了。 你丢一段文字进去，它就能生成一段接近真人说话的音频。 更骚的是，不给参考声音也行。直接告诉它，年轻一点，声音温柔一点，语速稍微快点，它会自己设计一个声音。 有参考音频，玩法就更多了。 给它一小段录音，VoxCPM2 能照着克隆音色。生成新内容时，还能单独控制语速、情绪和说话方式。 中文、英语、日语等 30 种语言都支持，四川话、粤语、东北话、闽南话也能做。输出是 48kHz，已经奔着正经内容生产去了。 老王用自己的声音试了东北话，粤语，普通话，都非常像的。关键免费啊！ 代码和模型全部开放，Apache 2.0 许可，可以商用。GitHub 已经超过 3.3 万 Stars。 我已经部署本地了，后面自己的coding 的产品就用这个模型，对配置要求低的。 你也拿一段课程文案试试，重点听三个东西，中文像不像真人，长文会不会越念越怪，克隆出来的声音到底像不像。 跑完再回来交作业。
0:41

这个免费配音产品，真好玩啊，VoxCPM2。 以前做 AI 配音，要么按月给平台交钱，要么自己折腾一堆模型。现在 OpenBMB 把这套东西直接开源了。 你丢一段文字进去，它就能生成一段接近真人说话的音频。 更骚的是，不给参考声音也行。直接告诉它，年轻一点，声音温柔一点，语速稍微快点，它会自己设计一个声音。 有参考音频，玩法就更多了。 给它一小段录音，VoxCPM2 能照着克隆音色。生成新内容时，还能单独控制语速、情绪和说话方式。 中文、英语、日语等 30 种语言都支持，四川话、粤语、东北话、闽南话也能做。输出是 48kHz，已经奔着正经内容生产去了。 老王用自己的声音试了东北话，粤语，普通话，都非常像的。关键免费啊！ 代码和模型全部开放，Apache 2.0 许可，可以商用。GitHub 已经超过 3.3 万 Stars。 我已经部署本地了，后面自己的coding 的产品就用这个模型，对配置要求低的。 你也拿一段课程文案试试，重点听三个东西，中文像不像真人，长文会不会越念越怪，克隆出来的声音到底像不像。 跑完再回来交作业。

产品经理老王霸

21,325 views • 10 days ago

想要生成逼真的 AI 语音，通常使用在线 API 服务，不仅有隐私泄露风险，而且支付费用成本还不低。 今天发现了一个开源免费的超逼真语音合成模型：NeuTTS Air，仅 0.5B 参数，可直接在本地电脑运行。 生成的语音媲美真人，支持仅用 3 秒音频就能完成声音克隆，在手机、笔记本甚至树莓派上都能流畅运行。 GitHub： 主要特性： - 超逼真语音合成，生成接近真人水平的自然语音； - 即时声音克隆，仅需 3 秒音频样本即可复制声音特征； - 完全本地运行，无需网络连接保护隐私安全； - 轻量级设计，支持手机、电脑和嵌入式设备部署； - 实时语音生成，在中等配置设备上也能流畅运行； - 内置水印技术，确保生成音频的责任可追溯性。 根据 README 文档提供的详细使用教程，克隆项目安装 espeak 依赖后即可使用。
0:24

想要生成逼真的 AI 语音，通常使用在线 API 服务，不仅有隐私泄露风险，而且支付费用成本还不低。 今天发现了一个开源免费的超逼真语音合成模型：NeuTTS Air，仅 0.5B 参数，可直接在本地电脑运行。 生成的语音媲美真人，支持仅用 3 秒音频就能完成声音克隆，在手机、笔记本甚至树莓派上都能流畅运行。 GitHub： 主要特性： - 超逼真语音合成，生成接近真人水平的自然语音； - 即时声音克隆，仅需 3 秒音频样本即可复制声音特征； - 完全本地运行，无需网络连接保护隐私安全； - 轻量级设计，支持手机、电脑和嵌入式设备部署； - 实时语音生成，在中等配置设备上也能流畅运行； - 内置水印技术，确保生成音频的责任可追溯性。 根据 README 文档提供的详细使用教程，克隆项目安装 espeak 依赖后即可使用。

GitHubDaily

59,269 views • 9 months ago

Clone voice-CV 声音克隆工具 一个带web界面的声音克隆工具，使用你的音色或任意声音来录制音频。压缩包 3.4 G，解压后 6.3 G，可以直接本地运行。
2:10

Clone voice-CV 声音克隆工具 一个带web界面的声音克隆工具，使用你的音色或任意声音来录制音频。压缩包 3.4 G，解压后 6.3 G，可以直接本地运行。

MZ 🍒

139,634 views • 2 years ago

📢：好消息 Qwen3-TTS 正式开源 全能语音生成、语音克隆与音色设计模型 评测中，达到全球开源 TTS 模型的新的 SOTA 支持10种语言，而且只有97毫秒延迟 🧬克隆声音：3秒音频，就能复刻出你的音色 🎙️ 自定义音色：你说“来个温柔女声”或“做成热血旁白”，它立刻生成； 🗣️ 自然情绪控制：能听懂文字里的语气，比如“愤怒”、“悲伤”、“调皮”； 🌍 多语言支持：能说中、英、日、韩、法、德、西、俄、葡、意共10种语言； ⚡ 实时响应：输入一个字，它就开始说，延迟低至 97毫秒，几乎实时
3:12

📢：好消息 Qwen3-TTS 正式开源 全能语音生成、语音克隆与音色设计模型 评测中，达到全球开源 TTS 模型的新的 SOTA 支持10种语言，而且只有97毫秒延迟 🧬克隆声音：3秒音频，就能复刻出你的音色 🎙️ 自定义音色：你说“来个温柔女声”或“做成热血旁白”，它立刻生成； 🗣️ 自然情绪控制：能听懂文字里的语气，比如“愤怒”、“悲伤”、“调皮”； 🌍 多语言支持：能说中、英、日、韩、法、德、西、俄、葡、意共10种语言； ⚡ 实时响应：输入一个字，它就开始说，延迟低至 97毫秒，几乎实时

小互

47,107 views • 6 months ago

网易有道开源了子曰4大模型，27B参数内，数理 SOTA 但真正让我觉得有趣的是它那个语音功能！！ 克隆个声音不稀奇，ElevenLabs 早能做 但它们都有个通病，跨语种会串口音 拿你的中文声音去说日语，它带着一口中国腔，一听就是外国人在硬讲 子曰4 主打的，就是把这口音去掉 你的声音说日语，听着就是个日本人在讲 3 秒克隆，支持 14 种语言（可以看视频演示） 做口播、配音、数字人，省钱效果还好，对不对？ 而且子曰4 这大模型是真开源，给的是权重不是 API 54 个 G 权重直接下载，能本地跑 有道龙虾那个全场景智能体，也是 100% 开源的 大模型开源了，龙虾也开源了，全往外送 有道图啥？靠什么赚钱？ 我还真扒到了它赚钱的秘密下面👇：
0:55

网易有道开源了子曰4大模型，27B参数内，数理 SOTA 但真正让我觉得有趣的是它那个语音功能！！ 克隆个声音不稀奇，ElevenLabs 早能做 但它们都有个通病，跨语种会串口音 拿你的中文声音去说日语，它带着一口中国腔，一听就是外国人在硬讲 子曰4 主打的，就是把这口音去掉 你的声音说日语，听着就是个日本人在讲 3 秒克隆，支持 14 种语言（可以看视频演示） 做口播、配音、数字人，省钱效果还好，对不对？ 而且子曰4 这大模型是真开源，给的是权重不是 API 54 个 G 权重直接下载，能本地跑 有道龙虾那个全场景智能体，也是 100% 开源的 大模型开源了，龙虾也开源了，全往外送 有道图啥？靠什么赚钱？ 我还真扒到了它赚钱的秘密下面👇：

铁锤人

141,145 views • 2 months ago

网易有道「子曰4」全模态大模型来了，权重全量开源 这次「子曰4」不仅支持了多模态：图像/视频/语音全输入，27B可以本地化部署，尤其在学习场景表现优异 更值得一提的是这个 TTS 引擎独立开源，3秒即可完成声音采样，克隆音色，并支持14种语言的跨语种生成，且跨语种无口音。这对于我们做音视频营销素材跨语种分发的营销人而言，绝对是个利好 我尝试了一下用我自己的声音来朗读日语，感觉效果还挺好的，最重要的是生成快！大家可以看视频感受一下 等github把模型全开源出来后，我准备封到牛马AI里跑视频素材跨语种合成了！ TTS试玩 TTS项目地址 多模态模型
1:09

网易有道「子曰4」全模态大模型来了，权重全量开源 这次「子曰4」不仅支持了多模态：图像/视频/语音全输入，27B可以本地化部署，尤其在学习场景表现优异 更值得一提的是这个 TTS 引擎独立开源，3秒即可完成声音采样，克隆音色，并支持14种语言的跨语种生成，且跨语种无口音。这对于我们做音视频营销素材跨语种分发的营销人而言，绝对是个利好 我尝试了一下用我自己的声音来朗读日语，感觉效果还挺好的，最重要的是生成快！大家可以看视频感受一下 等github把模型全开源出来后，我准备封到牛马AI里跑视频素材跨语种合成了！ TTS试玩 TTS项目地址 多模态模型

Yangyi

16,518 views • 1 month ago

🔥震惊！Fish Audio 居然可以克隆声音而且完全免费🎧 体验了一下还挺好玩的，用手机录制一段自己的声音，上传上去就能克隆合成一个属于你自己的音源，500字以内都免费，每天50次足够用了。除了用自己声音还可以用其他人的，太多选择了。最主要的是用起来非常非常的方便，几乎0门槛。好用推荐 低成本克隆合成声音已经不再是遥不可及的梦想！ 直达传送门： #低成本克隆合成声音 #声音克隆 #机器学习技术 #先进技术 #工具易用性 #生成声音质量 #隐私保护 #声音合成技术 #最佳选项
0:31

🔥震惊！Fish Audio 居然可以克隆声音而且完全免费🎧 体验了一下还挺好玩的，用手机录制一段自己的声音，上传上去就能克隆合成一个属于你自己的音源，500字以内都免费，每天50次足够用了。除了用自己声音还可以用其他人的，太多选择了。最主要的是用起来非常非常的方便，几乎0门槛。好用推荐 低成本克隆合成声音已经不再是遥不可及的梦想！ 直达传送门： #低成本克隆合成声音 #声音克隆 #机器学习技术 #先进技术 #工具易用性 #生成声音质量 #隐私保护 #声音合成技术 #最佳选项

穆尼

100,157 views • 1 year ago

Kyutai 又推出了一个新的语音模型： Unmute 这是一个高度模块化的语音 AI 系统，可以为任何文本大语言模型快速添加语音功能。 也就是它可以插入到任意的模型当中，让该模型具有语音能力。 -它能够很智能判断你是否说完一句话，然后再接茬 -你也可以随时打断它 -基于 10 秒语音样本即可定制声音 -能实现“文本流式”合成，支持在文本尚未完全生成时开始说话，进一步降低响应延迟。
1:32

Kyutai 又推出了一个新的语音模型： Unmute 这是一个高度模块化的语音 AI 系统，可以为任何文本大语言模型快速添加语音功能。 也就是它可以插入到任意的模型当中，让该模型具有语音能力。 -它能够很智能判断你是否说完一句话，然后再接茬 -你也可以随时打断它 -基于 10 秒语音样本即可定制声音 -能实现“文本流式”合成，支持在文本尚未完全生成时开始说话，进一步降低响应延迟。

小互

37,051 views • 1 year ago

哇塞，中国开源 TTS 又整了个大活：VoxCPM 2 直接冲上 GitHub Trending 前排。 2B 参数统一模型，直接做到： 30+语言 + 48kHz 录音棚级音质 + 情绪细节全拉满。 几个亮点： - 纯文本就能设计声音 想男想女、想老想年轻、温柔还是兴奋，全靠描述 - 短音频克隆 + 风格随便切 - 极致模式甚至能复刻呼吸、口癖这种细节 最关键：Apache 2.0 开源可商用 开发者直接 GitHub / HF 拉下来就能用。 demo 里那个卡通角色跑酷配音，全部是它生成的，丝滑得有点离谱。 做 indie app / 多语言产品 / 内容创作的，可以重点看看，这波是真把语音 AI 门槛又拉低了一截。
0:30

哇塞，中国开源 TTS 又整了个大活：VoxCPM 2 直接冲上 GitHub Trending 前排。 2B 参数统一模型，直接做到： 30+语言 + 48kHz 录音棚级音质 + 情绪细节全拉满。 几个亮点： - 纯文本就能设计声音 想男想女、想老想年轻、温柔还是兴奋，全靠描述 - 短音频克隆 + 风格随便切 - 极致模式甚至能复刻呼吸、口癖这种细节 最关键：Apache 2.0 开源可商用 开发者直接 GitHub / HF 拉下来就能用。 demo 里那个卡通角色跑酷配音，全部是它生成的，丝滑得有点离谱。 做 indie app / 多语言产品 / 内容创作的，可以重点看看，这波是真把语音 AI 门槛又拉低了一截。

开发者Hailey

89,758 views • 3 months ago

兄弟， DomoAI 新功能 上传语音+图像直接生成会说话的数字人 嘿嘿 🫡 我测试了下，挺好玩的，而且比其他家速度快很多 中文的支持能力也不错 可以生成5秒、10秒、20秒、30秒，最长支持60秒的生成。 也支持文本转语音功能，内置6种声音，生成语音后再生成数字人，也支持上传自己的声音。还可以指定声音的情绪状态。
1:04

兄弟， DomoAI 新功能 上传语音+图像直接生成会说话的数字人 嘿嘿 🫡 我测试了下，挺好玩的，而且比其他家速度快很多 中文的支持能力也不错 可以生成5秒、10秒、20秒、30秒，最长支持60秒的生成。 也支持文本转语音功能，内置6种声音，生成语音后再生成数字人，也支持上传自己的声音。还可以指定声音的情绪状态。

小互

40,119 views • 1 year ago

兄弟们，这个数字人工具感觉不错 我刚安装好，正在体验 一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。 这个一个安装包，然后下载模型即可，很容易上手 可以生成带有数字人的视频，并且保持嘴型和声音是同步的。 支持语音合成和声音克隆 支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。 可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。
0:20

兄弟们，这个数字人工具感觉不错 我刚安装好，正在体验 一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。 这个一个安装包，然后下载模型即可，很容易上手 可以生成带有数字人的视频，并且保持嘴型和声音是同步的。 支持语音合成和声音克隆 支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。 可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。

小互

41,028 views • 1 year ago

Meta 上周开源了一个端到端的语音模型 Spirit LM。 这个太重要了，居然没注意到。 这个模型有两个版本： 基础版： 适合进行一般的语音识别和生成，不包含情感变化。 高表现力版：可以捕捉语音中的情感特征，能够生成包含快乐、愤怒或兴奋等情感的语音。 主要特点有： Spirit LM 直接使用语音标记、音高标记和声调标记 来保留语音中的表现力要素，不需要先转文本描述。 能够在不需要大量数据的情况下，完成自动语音识别、文本转语音和语音分类等复杂任务。
1:15

Meta 上周开源了一个端到端的语音模型 Spirit LM。 这个太重要了，居然没注意到。 这个模型有两个版本： 基础版： 适合进行一般的语音识别和生成，不包含情感变化。 高表现力版：可以捕捉语音中的情感特征，能够生成包含快乐、愤怒或兴奋等情感的语音。 主要特点有： Spirit LM 直接使用语音标记、音高标记和声调标记 来保留语音中的表现力要素，不需要先转文本描述。 能够在不需要大量数据的情况下，完成自动语音识别、文本转语音和语音分类等复杂任务。

歸藏(guizang.ai)

28,393 views • 1 year ago

Dia：一个由两人小团队开发的完全开源语音模型 能“一步生成”极为逼真的多角色对话语音 能直接根据对话文本生成自然、有情感的多说话人语音 可用音频条件（prompt）进行控制，实现情感、语调的定制。 可通过音频prompt实现声音克隆 权重和推理代码完全公开 单步对话生成：一次性生成完整对话（支持多说话人，如[S1]、[S2]标签）。 非语言标签支持：支持丰富的非语言动作标签，增强真实感。
1:10

Dia：一个由两人小团队开发的完全开源语音模型 能“一步生成”极为逼真的多角色对话语音 能直接根据对话文本生成自然、有情感的多说话人语音 可用音频条件（prompt）进行控制，实现情感、语调的定制。 可通过音频prompt实现声音克隆 权重和推理代码完全公开 单步对话生成：一次性生成完整对话（支持多说话人，如[S1]、[S2]标签）。 非语言标签支持：支持丰富的非语言动作标签，增强真实感。

小互

28,964 views • 1 year ago

这个新开源 TTS 太牛逼了，打算直接替换掉原来的 TTS 了 之前测试很多 TTS 都是很死板的"AI 音"，今天发现这个，真可以直接拿去商用了 多语种翻译、声音克隆、情绪语气保持，三件事同时拉满的开源模型我是第一次见 我直接拿世界杯名场面解说暴力测试了，选了三段，每段翻四种语言： 梅西帽子戏法那段，西班牙语解说 GOOOOOL 嘶吼到破音，翻成日语、阿拉伯语、中文，那种快吼劈嗓子的劲儿，四个版本居然都在 姆巴佩 96 分钟绝杀世界波，英语解说那种"安静一秒然后炸开"的节奏，翻成德语、日语、中文，全部对上 另外，佛得角 Vozinha 赛后感言，带有哽咽的感觉，葡语翻英语、日语、中文，声音里的颤抖感翻完居然也在 这确实是把 TTS 最难做到的“情绪”给做好了！ 它是有道子曰的 Confucius4-TTS，3 秒克隆声音，14 种语言，并且是开源，完全可以自部署 整体效果非常惊艳，个别长句有一点 AI 感，短句高情绪片段已经很离谱了。 做了对比视频，可以听一听感受一下👇 #有道TTS
1:45

这个新开源 TTS 太牛逼了，打算直接替换掉原来的 TTS 了 之前测试很多 TTS 都是很死板的"AI 音"，今天发现这个，真可以直接拿去商用了 多语种翻译、声音克隆、情绪语气保持，三件事同时拉满的开源模型我是第一次见 我直接拿世界杯名场面解说暴力测试了，选了三段，每段翻四种语言： 梅西帽子戏法那段，西班牙语解说 GOOOOOL 嘶吼到破音，翻成日语、阿拉伯语、中文，那种快吼劈嗓子的劲儿，四个版本居然都在 姆巴佩 96 分钟绝杀世界波，英语解说那种"安静一秒然后炸开"的节奏，翻成德语、日语、中文，全部对上 另外，佛得角 Vozinha 赛后感言，带有哽咽的感觉，葡语翻英语、日语、中文，声音里的颤抖感翻完居然也在 这确实是把 TTS 最难做到的“情绪”给做好了！ 它是有道子曰的 Confucius4-TTS，3 秒克隆声音，14 种语言，并且是开源，完全可以自部署 整体效果非常惊艳，个别长句有一点 AI 感，短句高情绪片段已经很离谱了。 做了对比视频，可以听一听感受一下👇 #有道TTS

余温

129,886 views • 21 days ago

发现了个开源多邻国！——wordpecker-app 这个项目不但有背单词功能，而且最重要的是它使用TTS大模型，做了个语音 Agent, 你可以与 LLM 导师就你的词汇进行实际对话。练习发音，提问，并通过自然语言获得即时反馈！ 地址：
3:17

发现了个开源多邻国！——wordpecker-app 这个项目不但有背单词功能，而且最重要的是它使用TTS大模型，做了个语音 Agent, 你可以与 LLM 导师就你的词汇进行实际对话。练习发音，提问，并通过自然语言获得即时反馈！ 地址：

karminski-牙医

68,701 views • 1 year ago

我去 这个语音克隆模型有点牛P 哈哈哈 使用了 250,000 小时的中英双语语音数据训练 只需15秒的声音就能完美克隆声音，保持音色和情感 Llasa-3B 可以通过输入一个带有情感特征的语音提示（Prompt），在生成目标语音时保留提示语音中的情感特征。 基于 LLaMA 语言模型（ 1B、3B 和 8B 参数规模），通过整合 XCodec2 的语音 token 提供语音生成功能。
0:42

我去 这个语音克隆模型有点牛P 哈哈哈 使用了 250,000 小时的中英双语语音数据训练 只需15秒的声音就能完美克隆声音，保持音色和情感 Llasa-3B 可以通过输入一个带有情感特征的语音提示（Prompt），在生成目标语音时保留提示语音中的情感特征。 基于 LLaMA 语言模型（ 1B、3B 和 8B 参数规模），通过整合 XCodec2 的语音 token 提供语音生成功能。

小互

96,700 views • 1 year ago