Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

之前有个基于电影 HER 里 Samantha 的声线和ChatGPT API 的语音聊天机器人 ，最近又增加了两个新的模型，英音的夏洛克，和日语雷电将军。特别是新的这个雷电将军的声音非常自然好听，用来练口语和听力都很棒。可以在官方账号 MyShell.AI 找到使用方法。

oran_ge's profile picture

Orange AI

174,560 subscribers

109,577 görüntüleme • 3 yıl önce •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

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 görüntüleme • 1 yıl önce

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

96,666 görüntüleme • 1 yıl önce

英语 如果您只能听懂英语中的美音和伦敦腔，说明去的地方和接触的人还不够多，除了澳洲和新西兰口音，印度和南非的调子更难理解。 到了亚洲，中式英语倾向于英国口音，日韩的发音民族特色更浓。 有的英语国家，不仅将土著方言全部掺杂其中，还会加入各种拗口的外来语。 您知道这是哪儿的牛B英语吗？
0:47

英语 如果您只能听懂英语中的美音和伦敦腔，说明去的地方和接触的人还不够多，除了澳洲和新西兰口音，印度和南非的调子更难理解。 到了亚洲，中式英语倾向于英国口音，日韩的发音民族特色更浓。 有的英语国家，不仅将土著方言全部掺杂其中，还会加入各种拗口的外来语。 您知道这是哪儿的牛B英语吗？

好怕怕

12,296 görüntüleme • 1 yıl önce

语音特征保留： 模型会尝试保留原始说话人的语调（intonation）、节奏（pacing）和音高（pitch）。 东南亚打车平台 Grab 正在测试这个模型，用于司机和乘客在接驾时的多语言通话。 演示：一个泰国司机和一个日本游客之间的电话，双方各说各的语言，模型在中间做实时双向翻译。
0:48

语音特征保留： 模型会尝试保留原始说话人的语调（intonation）、节奏（pacing）和音高（pitch）。 东南亚打车平台 Grab 正在测试这个模型，用于司机和乘客在接驾时的多语言通话。 演示：一个泰国司机和一个日本游客之间的电话，双方各说各的语言，模型在中间做实时双向翻译。

小互

11,289 görüntüleme • 1 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。
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 görüntüleme • 1 yıl önce

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 görüntüleme • 1 yıl önce

兄弟们，这个全新的语音模型很厉害 已经无法分辨了 Sesame： “跨越语音“恐怖谷” ，像真人说话一样的语音模型 当人工合成的语音接近真实人声但仍然存在微小差异时，人类会感到奇怪或不适，这就是所谓的“恐怖谷效应”。 Sesame 公司展示了其最新的语音合成模型CSM， 它在个性、记忆、表达能力和恰当性上表现出了非常惊人的能力。
1:01

兄弟们，这个全新的语音模型很厉害 已经无法分辨了 Sesame： “跨越语音“恐怖谷” ，像真人说话一样的语音模型 当人工合成的语音接近真实人声但仍然存在微小差异时，人类会感到奇怪或不适，这就是所谓的“恐怖谷效应”。 Sesame 公司展示了其最新的语音合成模型CSM， 它在个性、记忆、表达能力和恰当性上表现出了非常惊人的能力。

小互

132,361 görüntüleme • 1 yıl önce

这个方法要是你学不好英语口语和听力，来找我赔钱，英语就是要极致的重复，绝大部分的事情最后就是拼体力
2:39

这个方法要是你学不好英语口语和听力，来找我赔钱，英语就是要极致的重复，绝大部分的事情最后就是拼体力

瞎玩菌

48,404 görüntüleme • 2 ay önce

豆包语音输入法！YYDS！其他语音输入法可以退下了。 前两天跟朋友聊起来，人类的信息输出方式里，语言是最快的，AI时代打字非常影响效率，脑机接口实现之前，语音输入是最好的过渡形式。 此刻，豆包应该能暂时成为这个过渡阶段最好的选择了。
0:27

豆包语音输入法！YYDS！其他语音输入法可以退下了。 前两天跟朋友聊起来，人类的信息输出方式里，语言是最快的，AI时代打字非常影响效率，脑机接口实现之前，语音输入是最好的过渡形式。 此刻，豆包应该能暂时成为这个过渡阶段最好的选择了。

SimbaLee

122,659 görüntüleme • 3 ay önce

看来 Claude 的语音模式即将推出 在设置页面可以设置语音语言和风格 而且支持中文，出乎意料 之前据说用的是 11Lab 的模型…
0:22

看来 Claude 的语音模式即将推出 在设置页面可以设置语音语言和风格 而且支持中文，出乎意料 之前据说用的是 11Lab 的模型…

小互

23,239 görüntüleme • 28 gün önce

上海交通大学开源了一个非常牛批的语音生成模型 F5-TTS。 刚好这几天AI音频和播客火爆，这下瞌睡送枕头了。 模型特点有： 零样本 (Zero-shot) 声音克隆 速度控制（基于总时长） 可以控制合成语音的情感表现 长文本合成 支持中文和英文多语言合成 在 10 万小时数据上训练 最重要的是支持商用
0:47

上海交通大学开源了一个非常牛批的语音生成模型 F5-TTS。 刚好这几天AI音频和播客火爆，这下瞌睡送枕头了。 模型特点有： 零样本 (Zero-shot) 声音克隆 速度控制（基于总时长） 可以控制合成语音的情感表现 长文本合成 支持中文和英文多语言合成 在 10 万小时数据上训练 最重要的是支持商用

歸藏(guizang.ai)

129,326 görüntüleme • 1 yıl önce

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。 之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。 下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！
3:28

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。 之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。 下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

Box (mainnet arc)

141,403 görüntüleme • 1 yıl önce

学日语的小伙伴真的可以试试 OCAT 我体验过不少学语言的产品，OCAT 可以说是和我的学习方式最匹配的。功能和设计非常克制，没有乱七八糟的东西，每个功能都是极高频使用 尤其是语音播放，语气和表达都非常地道。我个人喜欢基于真实场景的主动式学习，OCAT 自由度也非常高，就我而言使用体验极佳
0:30

学日语的小伙伴真的可以试试 OCAT 我体验过不少学语言的产品，OCAT 可以说是和我的学习方式最匹配的。功能和设计非常克制，没有乱七八糟的东西，每个功能都是极高频使用 尤其是语音播放，语气和表达都非常地道。我个人喜欢基于真实场景的主动式学习，OCAT 自由度也非常高，就我而言使用体验极佳

Philo

28,478 görüntüleme • 1 ay 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
2:29

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

一人电台工作室绝对有戏！我的免费批量做播客电台的进展明显，克隆声音录制有声书绝了！ 情绪、语速、节奏感比普通人还强，强很多（当然专业的可能比不了） 雷军的声音+《明朝那些事儿》，还原度95%😀 丢个Demo感受下 声音克隆移步： （新用户一次免费机会，够用了） #AI声音
0:54

一人电台工作室绝对有戏！我的免费批量做播客电台的进展明显，克隆声音录制有声书绝了！ 情绪、语速、节奏感比普通人还强，强很多（当然专业的可能比不了） 雷军的声音+《明朝那些事儿》，还原度95%😀 丢个Demo感受下 声音克隆移步： （新用户一次免费机会，够用了） #AI声音

anguo W

33,059 görüntüleme • 1 yıl önce

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 görüntüleme • 1 yıl önce

OpenAI公布其语音生成模型：Voice Engine 根据文本输入和一个15秒的音频样本，就能生成接近原始说话者声音的自然听起来的语音。 Voice Engine最初于2022年底开发，并已经提供给包括Heygen在内的少数公司进行测试性使用。 主要功能 1、自然听起来的语音生成：利用单个15秒的音频样本，Voice Engine能够创造出既情感丰富又真实的语音，显著提升合成语音的自然度和真实感。 2、支持多种用途：从教育援助、内容翻译、提高偏远地区服务质量，到支持非语言人士和帮助患者恢复声音，Voice Engine的应用场景广泛，跨越多个行业。 3、语言和口音的保留：在内容翻译时，Voice Engine能够保留原始发言者的本地口音，使得翻译后的语音不仅流利还能保持原声音的特色。 4、多语种支持：能够生成多种语言的语音输出，适应全球化需求，特别是对于需要将内容本地化到不同语言市场的企业和内容创作者来说，这一特点尤为重要。 详细：
0:59

OpenAI公布其语音生成模型：Voice Engine 根据文本输入和一个15秒的音频样本，就能生成接近原始说话者声音的自然听起来的语音。 Voice Engine最初于2022年底开发，并已经提供给包括Heygen在内的少数公司进行测试性使用。 主要功能 1、自然听起来的语音生成：利用单个15秒的音频样本，Voice Engine能够创造出既情感丰富又真实的语音，显著提升合成语音的自然度和真实感。 2、支持多种用途：从教育援助、内容翻译、提高偏远地区服务质量，到支持非语言人士和帮助患者恢复声音，Voice Engine的应用场景广泛，跨越多个行业。 3、语言和口音的保留：在内容翻译时，Voice Engine能够保留原始发言者的本地口音，使得翻译后的语音不仅流利还能保持原声音的特色。 4、多语种支持：能够生成多种语言的语音输出，适应全球化需求，特别是对于需要将内容本地化到不同语言市场的企业和内容创作者来说，这一特点尤为重要。 详细：

小互

38,133 görüntüleme • 2 yıl önce