Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

holy shit，微软直接把之前因为太危险被下架的语音AI王炸，给重新开源了，这个叫VibeVoice的项目，GitHub已经冲到了29.3k星，做播客的，搞有声书的，做AI视频配音的，还有天天要转写会议记录的兄弟，谁没被付费语音工具的订阅费坑过，谁没被长音频处理崩过，谁没被本地部署的复杂程度搞到头疼，这个项目直接把这些痛点全给解决了，核心能力直接爆表： - TTS：一次生成90分钟多说话人（最多4人）对话，情感、自然转接、长上下文超强 - 实时流式版（0.5B模型）：延迟仅~300ms - ASR：单次处理60分钟音频，自动说话人分离 + 时间戳 + 50+语言完全本地运行，免费无订阅，还带了不可感知水印 + AI声明防滥用。 2025年因为deepfake风险被Microsoft自己下架过，现在加了安全措施重新上线，真正的“核弹级”开源项目。这下ElevenLabs要慌了😂 github 地址评论区自取👇 #VibeVoice #开源 #语音AI #Microsoft #TTS #ASR

AYi

56,562 subscribers

360,276 görüntüleme • 3 ay önce •via X (Twitter)

Bilim & Teknoloji

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

微软把语音 AI 玩出“Stable Diffusion 时刻”了？😋 我试了下 Vibing 这款语音输入法，转录速度跟翻译速度都很快，无需本地模型，毕竟安装包就 1.3MB🧐 VibeVoice 可以直接本地跑： ✅实时 TTS，300ms 就出声 ✅一口气生成 90 分钟、多说话人对话 ✅长音频转录还能标谁什么时候说的啥可以省掉 ElevenLabs 的费用了哈哈😜 链接见评论👇

微软把语音 AI 玩出“Stable Diffusion 时刻”了？😋 我试了下 Vibing 这款语音输入法，转录速度跟翻译速度都很快，无需本地模型，毕竟安装包就 1.3MB🧐 VibeVoice 可以直接本地跑： ✅实时 TTS，300ms 就出声 ✅一口气生成 90 分钟、多说话人对话 ✅长音频转录还能标谁什么时候说的啥可以省掉 ElevenLabs 的费用了哈哈😜 链接见评论👇

MapleShaw

57,826 görüntüleme • 3 ay önce

微软昨晚开源新模型：VibeVoice-1.5B TTS，可一次生成90分钟语音、多人对话效果听起来质量很高，在说话人一致性和自然轮转上都非常不错 VibeVoice能生成90分钟连续语音，支持4个不同说话人，对像播客这种长篇音频内容生成比较实用基于Qwen2.5-1.5B理解上下文和语义，有两个连续语音分词器，这两个分词器以 7.5Hz的超低帧率运行，在保证音频质量的同时，提高了计算效率，使得处理长序列成为可能模型最终输出带 AI 声明水印支持中/英文 MIT许可证 #TTS #VibeVoice

微软昨晚开源新模型：VibeVoice-1.5B TTS，可一次生成90分钟语音、多人对话效果听起来质量很高，在说话人一致性和自然轮转上都非常不错 VibeVoice能生成90分钟连续语音，支持4个不同说话人，对像播客这种长篇音频内容生成比较实用基于Qwen2.5-1.5B理解上下文和语义，有两个连续语音分词器，这两个分词器以 7.5Hz的超低帧率运行，在保证音频质量的同时，提高了计算效率，使得处理长序列成为可能模型最终输出带 AI 声明水印支持中/英文 MIT许可证 #TTS #VibeVoice

AIGCLINK

40,124 görüntüleme • 10 ay önce

在制作播客或长篇有声小说，传统免费的文本转语音工具往往只能合成几分钟语音，而且多人对话听起来很僵硬不自然，缺乏真实感。最近微软开源了一个文本转语音模型：VibeVoice，可直接生成长达 90 分钟的自然多人对话音频。不仅能处理超长文本，还支持最多 4 个不同说话人的自然对话，甚至能根据内容自动添加背景音乐和音效。 GitHub：主要特性： - 可生成长达 90 分钟的连续语音内容，远超传统工具 - 支持最多 4 个说话人的自然多人对话 - 智能添加背景音乐和音效，增强沉浸感 - 跨语言合成，支持中英文混合语音生成 - 支持歌唱能力，能根据歌词自动生成旋律 - 提供 1.5B 和 7B 两个版本，满足不同性能需求，可通过 Docker 快速部署，并提供了 Gradio 可视化操作界面，轻松上手使用。

在制作播客或长篇有声小说，传统免费的文本转语音工具往往只能合成几分钟语音，而且多人对话听起来很僵硬不自然，缺乏真实感。最近微软开源了一个文本转语音模型：VibeVoice，可直接生成长达 90 分钟的自然多人对话音频。不仅能处理超长文本，还支持最多 4 个不同说话人的自然对话，甚至能根据内容自动添加背景音乐和音效。 GitHub：主要特性： - 可生成长达 90 分钟的连续语音内容，远超传统工具 - 支持最多 4 个说话人的自然多人对话 - 智能添加背景音乐和音效，增强沉浸感 - 跨语言合成，支持中英文混合语音生成 - 支持歌唱能力，能根据歌词自动生成旋律 - 提供 1.5B 和 7B 两个版本，满足不同性能需求，可通过 Docker 快速部署，并提供了 Gradio 可视化操作界面，轻松上手使用。

GitHubDaily

44,053 görüntüleme • 10 ay önce

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

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

55,985 görüntüleme • 1 yıl önce

京东刚开源的 AI 视频模型 JoyAI-Echo 有点猛啊！直接把长视频「变脸变声」这个老大难痛点干掉了，还能用自然语言指令做局部修改，根本不用重新生成整个视频！最离谱的是，它居然能直接生成 5 分钟长视频，而且完全开源！搞 AI 视频的道友们，又有新玩具了！快冲 GitHub 去玩儿吧！

京东刚开源的 AI 视频模型 JoyAI-Echo 有点猛啊！直接把长视频「变脸变声」这个老大难痛点干掉了，还能用自然语言指令做局部修改，根本不用重新生成整个视频！最离谱的是，它居然能直接生成 5 分钟长视频，而且完全开源！搞 AI 视频的道友们，又有新玩具了！快冲 GitHub 去玩儿吧！

Vincent

28,015 görüntüleme • 1 ay önce

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 👇

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

49,433 görüntüleme • 3 ay önce

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。

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 görüntüleme • 1 yıl önce

做油管视频副业搞钱的都懂😭 下载油管视频、消人声、转字幕、翻译、多语言重新配音以前手动一套折腾半小时，还频繁翻车浪费时间挖到开源神器 Voice-Pro 直接封神✨ 扔个YouTube链接全自动一条龙搞定： ✅一键下载油管视频 ✅高清智能去人声 ✅精准语音转录字幕 ✅100+语种一键翻译 ✅原声克隆自动配音全程本地离线运行、完全免费、不用联网，隐私超安心🔒 从前半小时的活，现在2分钟搞定！做多语言账号、搬运二次剪辑、靠油管副业变现效率直接拉满，省下超多时间专心搞收益☕ GitHub直达👉 靠油管做副业、做自媒体变现的一定要冲！有没有被剪辑流程搞崩溃的？还有啥好工具大家可以评论区推荐一下

做油管视频副业搞钱的都懂😭 下载油管视频、消人声、转字幕、翻译、多语言重新配音以前手动一套折腾半小时，还频繁翻车浪费时间挖到开源神器 Voice-Pro 直接封神✨ 扔个YouTube链接全自动一条龙搞定： ✅一键下载油管视频 ✅高清智能去人声 ✅精准语音转录字幕 ✅100+语种一键翻译 ✅原声克隆自动配音全程本地离线运行、完全免费、不用联网，隐私超安心🔒 从前半小时的活，现在2分钟搞定！做多语言账号、搬运二次剪辑、靠油管副业变现效率直接拉满，省下超多时间专心搞收益☕ GitHub直达👉 靠油管做副业、做自媒体变现的一定要冲！有没有被剪辑流程搞崩溃的？还有啥好工具大家可以评论区推荐一下

Modengsir AI

42,728 görüntüleme • 2 ay önce

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。

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 görüntüleme • 1 yıl önce

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

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 görüntüleme • 1 ay önce

细节的 TTS 技术 Seed-TTS，制作出来的有声书可能要让喜马拉雅的很多主播失业了！支持多种语言。目前还没看到项目代码或者测试地址，只有论文：摘要我们介绍了Seed-TTS，这是一系列大规模自回归文本转语音（TTS）模型，能够生成几乎与人类语音无法区分的语音。Seed-TTS作为语音生成的基础模型，在语音上下文学习中表现出色，在说话者相似性和自然性方面的表现与真实人类语音在客观和主观评估中相匹配。通过微调，我们在这些指标上获得了更高的主观评分。Seed-TTS在各种语音属性（如情感）上提供了卓越的可控性，并且能够为自然环境中的说话者生成高度富有表现力和多样化的语音。此外，我们提出了一种用于语音因子化的自蒸馏方法，即通过让模型自行学习和改进的方式来提高性能，以及一种增强模型鲁棒性、说话者相似性和可控性的强化学习方法。我们还展示了Seed-TTS模型的非自回归（NAR）变体，名为Seed-TTSDiT，它采用完全基于扩散的架构。与以前的基于NAR的TTS系统不同，Seed-TTSDiT不依赖于预估的音素持续时间，而是通过端到端处理进行语音生成。我们证明了这种变体在客观和主观评估中达到了与基于语言模型的变体相当的性能，并展示了其在语音编辑中的有效性。

细节的 TTS 技术 Seed-TTS，制作出来的有声书可能要让喜马拉雅的很多主播失业了！支持多种语言。目前还没看到项目代码或者测试地址，只有论文：摘要我们介绍了Seed-TTS，这是一系列大规模自回归文本转语音（TTS）模型，能够生成几乎与人类语音无法区分的语音。Seed-TTS作为语音生成的基础模型，在语音上下文学习中表现出色，在说话者相似性和自然性方面的表现与真实人类语音在客观和主观评估中相匹配。通过微调，我们在这些指标上获得了更高的主观评分。Seed-TTS在各种语音属性（如情感）上提供了卓越的可控性，并且能够为自然环境中的说话者生成高度富有表现力和多样化的语音。此外，我们提出了一种用于语音因子化的自蒸馏方法，即通过让模型自行学习和改进的方式来提高性能，以及一种增强模型鲁棒性、说话者相似性和可控性的强化学习方法。我们还展示了Seed-TTS模型的非自回归（NAR）变体，名为Seed-TTSDiT，它采用完全基于扩散的架构。与以前的基于NAR的TTS系统不同，Seed-TTSDiT不依赖于预估的音素持续时间，而是通过端到端处理进行语音生成。我们证明了这种变体在客观和主观评估中达到了与基于语言模型的变体相当的性能，并展示了其在语音编辑中的有效性。

宝玉

67,886 görüntüleme • 2 yıl önce

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

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

129,404 görüntüleme • 15 gün önce

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。

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

21,108 görüntüleme • 4 gün önce

卧槽，我刚试了一下这个，SesameAILabs 实现了一个几乎无延迟的AI数字音频模型，应该是我体验过的最强的模型了。我给大家录了个视频，大家可以听听看（一定要开声音，请忽略我的垃圾口语）。同时也建议直接访问试试，体验下延迟（说实话别说延迟了，太快了，连气口都不给我）。 demo 我发下不仅可以顺畅聊天，甚至还有记忆，我跟他聊小米的车，结果我每次重新开始她就问我你的黄色车怎么样了..... 要说缺点，也不是没有，她太多俚语了，我听不懂.... （当然这其实是我的缺点... [苦涩][苦涩][苦涩]）顺便，这个是开源的！分三个大小：1B，3B，8B。本地轻松运行。在线地址：开源项目地址（目前还在准备）： #大模型竞技场

卧槽，我刚试了一下这个，SesameAILabs 实现了一个几乎无延迟的AI数字音频模型，应该是我体验过的最强的模型了。我给大家录了个视频，大家可以听听看（一定要开声音，请忽略我的垃圾口语）。同时也建议直接访问试试，体验下延迟（说实话别说延迟了，太快了，连气口都不给我）。 demo 我发下不仅可以顺畅聊天，甚至还有记忆，我跟他聊小米的车，结果我每次重新开始她就问我你的黄色车怎么样了..... 要说缺点，也不是没有，她太多俚语了，我听不懂.... （当然这其实是我的缺点... [苦涩][苦涩][苦涩]）顺便，这个是开源的！分三个大小：1B，3B，8B。本地轻松运行。在线地址：开源项目地址（目前还在准备）： #大模型竞技场

karminski-牙医

61,548 görüntüleme • 1 yıl önce

这才是真正的 AI 剪辑神器。开源项目 Pixelle-Video — 一个把短视频做成流水线的工具。以前做一个视频：写脚本、找素材、配音、剪辑一套下来，半天没了。 Pixelle-Video 直接把流程砍到只剩一步：输入一个主题剩下的全自动：写文案、出画面、配音、加 BGM，最后直接给你成片。但真正厉害的，不是自动。而是你可以完全掌控它：模型自己选声音自己换画面 workflow 自己搭这已经不仅仅是工具了，是一条能批量出片的流水线你甚至可以直接批量跑内容，做账号矩阵。你不再做视频，你已经可以生产视频了。

这才是真正的 AI 剪辑神器。开源项目 Pixelle-Video — 一个把短视频做成流水线的工具。以前做一个视频：写脚本、找素材、配音、剪辑一套下来，半天没了。 Pixelle-Video 直接把流程砍到只剩一步：输入一个主题剩下的全自动：写文案、出画面、配音、加 BGM，最后直接给你成片。但真正厉害的，不是自动。而是你可以完全掌控它：模型自己选声音自己换画面 workflow 自己搭这已经不仅仅是工具了，是一条能批量出片的流水线你甚至可以直接批量跑内容，做账号矩阵。你不再做视频，你已经可以生产视频了。

开发者Hailey

54,644 görüntüleme • 3 ay önce

把前几天的AI内容生成试验，汇总成了一个完整的小案例：带动画的播客。流程走完后，就大概知道（技术上的）坑在哪里了。目前的工具方案：ChatGPT，Flux，11Labs，Hailuo AI，Final Cut Pro，CapCut。整个项目，都是AI生成的，从脚本到语音到画面。对声音是克隆了我自己的，但听起来很自然，没有机器感。重点其实是在音频合成，视频的话随便搞搞。真要搞的话，视频不能用抽卡的形式，最好还是HeyGen那种虚拟人的形式。感兴趣想学的朋友留言吧，如果人数多的话，考虑制作教程。

把前几天的AI内容生成试验，汇总成了一个完整的小案例：带动画的播客。流程走完后，就大概知道（技术上的）坑在哪里了。目前的工具方案：ChatGPT，Flux，11Labs，Hailuo AI，Final Cut Pro，CapCut。整个项目，都是AI生成的，从脚本到语音到画面。对声音是克隆了我自己的，但听起来很自然，没有机器感。重点其实是在音频合成，视频的话随便搞搞。真要搞的话，视频不能用抽卡的形式，最好还是HeyGen那种虚拟人的形式。感兴趣想学的朋友留言吧，如果人数多的话，考虑制作教程。

Bear Liu

106,150 görüntüleme • 1 yıl önce

一款基于Llama的TTS系统：Llasa，它通过扩展训练时间和推理时间计算，提高了语音合成的自然度、韵律准确性和情感表达能力生成效果自然流畅富有感情，开心、悲伤等情感表现的比较自然，适合做有声读物或语音助手它用了一个Xcodec2语音分词器，把语音分解成一个个小的标记，使计算机更容易处理语音，这些标记不仅能表示语音的内容，还能保留语音的情感和音色信息核心在于其单一Transformer架构和规模化训练/推理策略，结合Xcodec2语音分词器，使其能生成更自然、更富有表现力的语音有1B、3B、8B三个版本，支持中英文 #TTS #Llasa

一款基于Llama的TTS系统：Llasa，它通过扩展训练时间和推理时间计算，提高了语音合成的自然度、韵律准确性和情感表达能力生成效果自然流畅富有感情，开心、悲伤等情感表现的比较自然，适合做有声读物或语音助手它用了一个Xcodec2语音分词器，把语音分解成一个个小的标记，使计算机更容易处理语音，这些标记不仅能表示语音的内容，还能保留语音的情感和音色信息核心在于其单一Transformer架构和规模化训练/推理策略，结合Xcodec2语音分词器，使其能生成更自然、更富有表现力的语音有1B、3B、8B三个版本，支持中英文 #TTS #Llasa

AIGCLINK

34,583 görüntüleme • 1 yıl önce

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。

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 görüntüleme • 9 ay önce