Загрузка видео...

Не удалось загрузить видео

На главную

MiniMax放出了最新款TTS：Speech 2.6，延迟低于250毫秒，支持40种语言混说 效果听起来比较自然，邮箱、日期可以按人类习惯来表达，对话几乎可以无缝衔接 支持少量样本克隆音色，可以调控情绪、语速、音高等 #TTS #MiniMaxspeech

aigclink's profile picture

AIGCLINK

33,437 subscribers

22,178 просмотров • 8 месяцев назад •via X (Twitter)

#TTS#MiniMaxspeech
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

发一下这两天小红书放出来的一款多人对话TTS：FireRedTTS-2，效果听起来相对自然稳定，没有串声跳音 支持一次生成3分钟4人播客，通过扩展训练数据能支持更长对话、更多说话人 在L20 GPU上，首包延迟140毫秒，可以用来做语音客服、直播配音了 支持7国语言，零样本克隆，可以做比如中英混合语音合成 #TTS #FireRedTTS2
2:06

发一下这两天小红书放出来的一款多人对话TTS：FireRedTTS-2，效果听起来相对自然稳定，没有串声跳音 支持一次生成3分钟4人播客，通过扩展训练数据能支持更长对话、更多说话人 在L20 GPU上，首包延迟140毫秒，可以用来做语音客服、直播配音了 支持7国语言，零样本克隆，可以做比如中英混合语音合成 #TTS #FireRedTTS2

AIGCLINK

15,372 просмотров • 9 месяцев назад

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音 还支持ASR、TTS以及多语言语音翻译 端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间 能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR
1:32

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音 还支持ASR、TTS以及多语言语音翻译 端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间 能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR

AIGCLINK

37,647 просмотров • 1 год назад

盲测击败了ElevenLabs的一款TTS：Chatterbox，有极强的情感控制能力，可以调整其语音表现力 支持语音克隆、风格定制 除了正常对话，可以用于一些戏剧化的语音场景 #TTS #Chatterbox #文本转语音 #AI语音
0:22

盲测击败了ElevenLabs的一款TTS：Chatterbox，有极强的情感控制能力，可以调整其语音表现力 支持语音克隆、风格定制 除了正常对话，可以用于一些戏剧化的语音场景 #TTS #Chatterbox #文本转语音 #AI语音

AIGCLINK

26,481 просмотров • 1 год назад

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 просмотров • 1 год назад

Mistral刚刚放出了最新款语音转文本模型：Voxtral Transcribe 2，实时延迟低于200ms，支持说话人分离 两个版，Voxtral Realtime，原生流式架构，可以用于实时应用场景，比如说聊天机器人、实时会议转录、语音助手 延迟可以配置到200ms以内，在480ms延迟下词错误率与离线版相差不到1–2% Voxtral Mini Transcribe 2，用于批量，比如说播客、视频、电话录音等等，支持13种语言、说话人分离、上下文偏置以及词级时间戳 #STT #VoxtralTranscribe2 #语音转文本
0:55

Mistral刚刚放出了最新款语音转文本模型：Voxtral Transcribe 2，实时延迟低于200ms，支持说话人分离 两个版，Voxtral Realtime，原生流式架构，可以用于实时应用场景，比如说聊天机器人、实时会议转录、语音助手 延迟可以配置到200ms以内，在480ms延迟下词错误率与离线版相差不到1–2% Voxtral Mini Transcribe 2，用于批量，比如说播客、视频、电话录音等等，支持13种语言、说话人分离、上下文偏置以及词级时间戳 #STT #VoxtralTranscribe2 #语音转文本

AIGCLINK

17,223 просмотров • 4 месяцев назад

一款开源的实时AI语音聊天助手：RealtimeVoiceChat，语音听起来相对自然，支持打断 双向语音交互，延迟低，可以实时看到语音转录，以及AI的回复内容 用来构建客服、教育或陪伴等等场景的AI语音助手比较实用 #AI语音助手
1:52

一款开源的实时AI语音聊天助手：RealtimeVoiceChat，语音听起来相对自然，支持打断 双向语音交互，延迟低，可以实时看到语音转录，以及AI的回复内容 用来构建客服、教育或陪伴等等场景的AI语音助手比较实用 #AI语音助手

AIGCLINK

22,917 просмотров • 1 год назад

小米最新开源的能覆盖600+语种的语音克隆TTS：OmniVoice，在中英文和多语言benchmark上关键指标达到SOTA 在Seed-TTS中文测试集上的WER为0.84%；在多语言benchmark上，SIM-o和WER超过ElevenLabs v2和MiniMax RTF低至0.025，合成效率比实时快40倍 其核心在于采用了扩散语言模型风格的离散非自回归架构，直接从文本生成语音，一步到位，跳过中间的语义token阶段 并且全码本随机掩码策略用于高效训练+预训练LLM初始化，确保语音清晰度和可懂度 支持3-10秒参考音频克隆，可以通过描述属性，性别、年龄、音调、口音等生成声音 支持非语言符号，比如[laughter]笑声，以及拼音/音标纠正发音 600+种语言覆盖，对于小语种保护比较有用，濒危语言可以用少量样本生成高质量语音，帮助语言数字化保存 #TTS #OmniVoice
0:32

小米最新开源的能覆盖600+语种的语音克隆TTS：OmniVoice，在中英文和多语言benchmark上关键指标达到SOTA 在Seed-TTS中文测试集上的WER为0.84%；在多语言benchmark上，SIM-o和WER超过ElevenLabs v2和MiniMax RTF低至0.025，合成效率比实时快40倍 其核心在于采用了扩散语言模型风格的离散非自回归架构，直接从文本生成语音，一步到位，跳过中间的语义token阶段 并且全码本随机掩码策略用于高效训练+预训练LLM初始化，确保语音清晰度和可懂度 支持3-10秒参考音频克隆，可以通过描述属性，性别、年龄、音调、口音等生成声音 支持非语言符号，比如[laughter]笑声，以及拼音/音标纠正发音 600+种语言覆盖，对于小语种保护比较有用，濒危语言可以用少量样本生成高质量语音，帮助语言数字化保存 #TTS #OmniVoice

AIGCLINK

15,791 просмотров • 2 месяцев назад

c 支持多国语言，支持语音克隆，克隆效果可以与IndexTTS 2一战。 Github： 模型：
0:26

c 支持多国语言，支持语音克隆，克隆效果可以与IndexTTS 2一战。 Github： 模型：

Gorden Sun

22,228 просмотров • 3 месяцев назад

智谱刚刚开源了情感语音模型 GLM-4.Voice，一款端到端语音模型，能情感共鸣、支持打断、多语言多方言支持 能力： 1、情感表达和情感共鸣：可以模拟不同的情感和语调，高兴、悲伤、生气、害怕等情绪，会用合适的情绪语气回复 2、调节语速：可以要求TA快点说or慢点说 3、随时打断：可以根据实时的指令，调整语音输出的内容、风格和情感，支持更灵活的对话互动 4、多语言、多方言支持：目前支持中英文语音以及中国各地方言，擅长粤语、重庆话、北京话 github： 目前该模型的能力已同步上线清言app
2:32

智谱刚刚开源了情感语音模型 GLM-4.Voice，一款端到端语音模型，能情感共鸣、支持打断、多语言多方言支持 能力： 1、情感表达和情感共鸣：可以模拟不同的情感和语调，高兴、悲伤、生气、害怕等情绪，会用合适的情绪语气回复 2、调节语速：可以要求TA快点说or慢点说 3、随时打断：可以根据实时的指令，调整语音输出的内容、风格和情感，支持更灵活的对话互动 4、多语言、多方言支持：目前支持中英文语音以及中国各地方言，擅长粤语、重庆话、北京话 github： 目前该模型的能力已同步上线清言app

AIGCLINK

18,706 просмотров • 1 год назад

字节新出的一款轻量级TTS模型：MegaTTS3，0.45B，高质量语音克隆，支持中英文以及中英文混合 支持口音强度控制，后面会支持更细粒度的发音和时长调整 #TTS #MegaTTS3
1:24

字节新出的一款轻量级TTS模型：MegaTTS3，0.45B，高质量语音克隆，支持中英文以及中英文混合 支持口音强度控制，后面会支持更细粒度的发音和时长调整 #TTS #MegaTTS3

AIGCLINK

48,872 просмотров • 1 год назад

阿里的TTS模型CosyVoice更新了，支持超精细的控制功能，听起来更逼真自然。 可以生成与特定特征匹配的语音，比如性别、年龄和个性等。还可以模仿非常自然的人类语音，包括笑声、咳嗽和呼吸。可以为语音添加情感和风格 GitHub： #AI #CosyVoice #SpeechSynthesis #Innovation
2:33

阿里的TTS模型CosyVoice更新了，支持超精细的控制功能，听起来更逼真自然。 可以生成与特定特征匹配的语音，比如性别、年龄和个性等。还可以模仿非常自然的人类语音，包括笑声、咳嗽和呼吸。可以为语音添加情感和风格 GitHub： #AI #CosyVoice #SpeechSynthesis #Innovation

AIGCLINK

37,783 просмотров • 1 год назад

字节发布了一款端到端同声传译模型：Seed LiveInterpret 2.0，中英双向端到端同传，延迟为2-3秒 从演示效果看，准确性、复杂场景的处理、声音情绪的表达、语音克隆音色转换的效果相对都还可以 性能上，语音到语音翻译，中英互译平均翻译质量到了66.3分，接近专业真人同传水平 延迟上，语音到文本输出首字平均延迟2.21秒，语音到语音输出延时2.53 秒 功能上支持实时声音复刻，复刻不同说话人的音色 擅长多人对话、非流利语音以及长音频场景 对绕口令、诗词、美食文化等可相对自然互译 #AI同传 #SeedLiveInterpret #字节同传
0:30

字节发布了一款端到端同声传译模型：Seed LiveInterpret 2.0，中英双向端到端同传，延迟为2-3秒 从演示效果看，准确性、复杂场景的处理、声音情绪的表达、语音克隆音色转换的效果相对都还可以 性能上，语音到语音翻译，中英互译平均翻译质量到了66.3分，接近专业真人同传水平 延迟上，语音到文本输出首字平均延迟2.21秒，语音到语音输出延时2.53 秒 功能上支持实时声音复刻，复刻不同说话人的音色 擅长多人对话、非流利语音以及长音频场景 对绕口令、诗词、美食文化等可相对自然互译 #AI同传 #SeedLiveInterpret #字节同传

AIGCLINK

78,231 просмотров • 11 месяцев назад

📢：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

46,796 просмотров • 5 месяцев назад

阿里的最新TTS：Qwen3-TTS，跨语言混合能力强，感觉基本无缝切换，比Qwen-TTS多了更多的语言和方言支持 同样能根据输入文本自动调整韵律、节奏和情绪变化 跨语言的音色一致性也比较好 中文支持普通话、北京、上海、四川、南京、陕西、闽南、天津、粤语 多语言支持英文、西班牙语、俄语、意大利语、法语、韩语、日语、德语、葡萄牙语 做有声书、AI客服、短视频配音的可以看看 #TTS #Qwen3TTS
2:17

阿里的最新TTS：Qwen3-TTS，跨语言混合能力强，感觉基本无缝切换，比Qwen-TTS多了更多的语言和方言支持 同样能根据输入文本自动调整韵律、节奏和情绪变化 跨语言的音色一致性也比较好 中文支持普通话、北京、上海、四川、南京、陕西、闽南、天津、粤语 多语言支持英文、西班牙语、俄语、意大利语、法语、韩语、日语、德语、葡萄牙语 做有声书、AI客服、短视频配音的可以看看 #TTS #Qwen3TTS

AIGCLINK

34,845 просмотров • 9 месяцев назад

基于ESP32的一个AI聊天机器人项目，小智聊天机器人，支持离线语音唤醒、多语言识别，能分辨是谁在说话，对话比较自然流畅 支持中文、粤语、英文、日语、韩语等 有声纹识别，能分辨是谁在说话 有短期记忆功能，能记住对话内容，可以自定义角色设定 支持Qwen2.5 72B或豆包API，支持TTS #AI智能机器人 #小智
1:51

基于ESP32的一个AI聊天机器人项目，小智聊天机器人，支持离线语音唤醒、多语言识别，能分辨是谁在说话，对话比较自然流畅 支持中文、粤语、英文、日语、韩语等 有声纹识别，能分辨是谁在说话 有短期记忆功能，能记住对话内容，可以自定义角色设定 支持Qwen2.5 72B或豆包API，支持TTS #AI智能机器人 #小智

AIGCLINK

69,875 просмотров • 1 год назад

MaskGCT：一个新的零样本文本到语音（TTS）模型 支持跨语言翻译配音、语音克隆、语言转换、情感控制等 与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。 支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。 同时模型大幅降低了推理时间，适合实时应用​。
1:55

MaskGCT：一个新的零样本文本到语音（TTS）模型 支持跨语言翻译配音、语音克隆、语言转换、情感控制等 与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。 支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。 同时模型大幅降低了推理时间，适合实时应用​。

小互

49,351 просмотров • 1 год назад

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
1:08

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 просмотров • 10 месяцев назад

最牛逼的是支持多语言混合输入，一段掺杂了多种语言的文本，可以完美地说出来，是传统的TTS实现不了的。 听我的视频里的效果，3种语言同时说，毫无违和感。
0:25

最牛逼的是支持多语言混合输入，一段掺杂了多种语言的文本，可以完美地说出来，是传统的TTS实现不了的。 听我的视频里的效果，3种语言同时说，毫无违和感。

Gorden Sun

129,005 просмотров • 2 лет назад

阿里昨晚放了款ASR：Qwen3-ASR-Flash，基于Qwen3基座，词错率低，优于GPT-4o、Gemini-2.5-Pro 从效果听识别能力非常强，在噪音环境，以及多语言混合情况下能准确识别出来 支持11种语言以及四川话、闽南语、吴语、粤语等方言，英语支持英式、美式及多种其他地区口音 关键是可以任意格式上下文定制，比如关键词、段落或整篇文档，它能自动匹配人名、术语、热词，无需对上下文信息进行格式预处理 也支持歌唱识别，错误率低于8% 对于非语音片段，静音或背景噪声，能自动过滤 #ASR #自动语音识别 #Qwen3ASRFlash
0:32

阿里昨晚放了款ASR：Qwen3-ASR-Flash，基于Qwen3基座，词错率低，优于GPT-4o、Gemini-2.5-Pro 从效果听识别能力非常强，在噪音环境，以及多语言混合情况下能准确识别出来 支持11种语言以及四川话、闽南语、吴语、粤语等方言，英语支持英式、美式及多种其他地区口音 关键是可以任意格式上下文定制，比如关键词、段落或整篇文档，它能自动匹配人名、术语、热词，无需对上下文信息进行格式预处理 也支持歌唱识别，错误率低于8% 对于非语音片段，静音或背景噪声，能自动过滤 #ASR #自动语音识别 #Qwen3ASRFlash

AIGCLINK

53,552 просмотров • 9 месяцев назад