Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

有道开源Confucius4-TTS 1.3B大小的TTS模型，支持多语言，支持语音克隆，效果不错，速度特别快。 Github：在线使用：

Gorden Sun

58,542 subscribers

20,621 views • 2 months ago •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

千问开源Qwen3-TTS 除了常规的文本生成语音，还支持设计声音和语音克隆。分0.6B和1.7B两个大小。效果不错，速度也很快。语音克隆的音色还原还可以，但是情感还原上不如Index TTS2。模型：在线体验：

千问开源Qwen3-TTS 除了常规的文本生成语音，还支持设计声音和语音克隆。分0.6B和1.7B两个大小。效果不错，速度也很快。语音克隆的音色还原还可以，但是情感还原上不如Index TTS2。模型：在线体验：

Gorden Sun

18,202 views • 7 months ago

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：

Barret李靖

124,227 views • 2 years ago

HeyGen实现流程中的语音克隆，现在有最佳开源方案了：XTTS v2，单样本即可克隆语音，效果见视频。现在已经能实现：让一个明星的采访视频，变成他讲述任意小故事（内容可以GPT编）的视频，声音是他的声音，嘴型也能对上。 XTTS v2在线体验： Github：

HeyGen实现流程中的语音克隆，现在有最佳开源方案了：XTTS v2，单样本即可克隆语音，效果见视频。现在已经能实现：让一个明星的采访视频，变成他讲述任意小故事（内容可以GPT编）的视频，声音是他的声音，嘴型也能对上。 XTTS v2在线体验： Github：

Gorden Sun

170,965 views • 2 years ago

又发现 GitHub 上一款开源强大的文本转语音工具：Abogen。能快速将 ePub、PDF 或文本文件转换成高质量音频，并生成匹配的字幕。 GitHub：主要特性： - 支持 ePub、PDF、TXT 多种文件格式输入 - 基于 Kokoro-82M 模型生成自然流畅语音 - 自动生成时间同步字幕文件 - 内置语音混合器创建个性化声音 - 支持多种语言包括中文、英文、日语等 - 批量队列处理多个文件提供 Windows 一键安装器，同时支持 pip 安装和 Docker 部署方式。

又发现 GitHub 上一款开源强大的文本转语音工具：Abogen。能快速将 ePub、PDF 或文本文件转换成高质量音频，并生成匹配的字幕。 GitHub：主要特性： - 支持 ePub、PDF、TXT 多种文件格式输入 - 基于 Kokoro-82M 模型生成自然流畅语音 - 自动生成时间同步字幕文件 - 内置语音混合器创建个性化声音 - 支持多种语言包括中文、英文、日语等 - 批量队列处理多个文件提供 Windows 一键安装器，同时支持 pip 安装和 Docker 部署方式。

GitHubDaily

31,126 views • 1 year ago

Memo AI 1.3.5 重磅更新，支持纯本地离线说话人识别分类！隐私会议，对话场景不用上传云端也能区分说话人。当然还有： 1. Cuda 模式转写速度较 GPU 提升 100%，1 小时音频 4080s 最高质量模型转字幕只需要 2 分钟。 2. 支持选择片段重新语音转文字，应对多语言场景游刃有余 3. 升级支持与帮助的问题提交方式，有问题左下方帮助与支持提问题给我们。

Memo AI 1.3.5 重磅更新，支持纯本地离线说话人识别分类！隐私会议，对话场景不用上传云端也能区分说话人。当然还有： 1. Cuda 模式转写速度较 GPU 提升 100%，1 小时音频 4080s 最高质量模型转字幕只需要 2 分钟。 2. 支持选择片段重新语音转文字，应对多语言场景游刃有余 3. 升级支持与帮助的问题提交方式，有问题左下方帮助与支持提问题给我们。

Memo AI

34,929 views • 2 years ago

阿里刚刚开源了TTS：Fun-CosyVoice3 0.5B，zero-shot音色克隆，可本地部署还开源了款ASR【Fun-ASR-Nano 0.8B】，Fun-ASR的轻量化版本，推理成本更低，可以本地及定制化微调另外，Fun-CosyVoice3模型做了升级，首包延迟比之前降低了50%，WER降低了56.4%，复杂场景字符错误率降低了26% 支持9种通用语言、18种中文方言、9种情感控制，可以跨语种音色复刻，比如说，用一段普通话录音可生成粤语、日语、英语等支持双向流式合成，“输入即发声”，这个适用于语音助手、直播配音、无障碍阅读等等实时场景 Fun-ASR也升级了，噪声场景下准确率到了93%，新增歌词与说唱识别能力，支持31种语言自由混说无需预先指定语种覆盖7大方言和26种地方口音，流式识别模型的首字延迟降低到了160ms #TTS #ASR

阿里刚刚开源了TTS：Fun-CosyVoice3 0.5B，zero-shot音色克隆，可本地部署还开源了款ASR【Fun-ASR-Nano 0.8B】，Fun-ASR的轻量化版本，推理成本更低，可以本地及定制化微调另外，Fun-CosyVoice3模型做了升级，首包延迟比之前降低了50%，WER降低了56.4%，复杂场景字符错误率降低了26% 支持9种通用语言、18种中文方言、9种情感控制，可以跨语种音色复刻，比如说，用一段普通话录音可生成粤语、日语、英语等支持双向流式合成，“输入即发声”，这个适用于语音助手、直播配音、无障碍阅读等等实时场景 Fun-ASR也升级了，噪声场景下准确率到了93%，新增歌词与说唱识别能力，支持31种语言自由混说无需预先指定语种覆盖7大方言和26种地方口音，流式识别模型的首字延迟降低到了160ms #TTS #ASR

AIGCLINK

35,508 views • 8 months ago

跟大家安利一款背景移除利器：RMBG-2.0。各种类型图片都能搞定，一键抠图，速度快、边缘干净，整体效果相当稳，电商主图、广告物料这类场景尤其好用。在线体验：模型下载：目前模型已开源，但不支持商用，日常个人使用完全够用。

跟大家安利一款背景移除利器：RMBG-2.0。各种类型图片都能搞定，一键抠图，速度快、边缘干净，整体效果相当稳，电商主图、广告物料这类场景尤其好用。在线体验：模型下载：目前模型已开源，但不支持商用，日常个人使用完全够用。

Joruno

56,146 views • 3 months ago

什么 DeepSeek 可以支持多模态了？其实是曲线救国！最近 DeepSeek V4 Flash 正式版发布，Pi 突然在推特中文区火了起来，看到不少人开始发教程。 Pi + DeepSeek V4 Flash 用起来是真的又爽又快对吧？但是唯一的遗憾就是不支持多模态。这里我就分享一个我自己 Vibe 的 Pi extension pi-vlm-proxy ：支持自动配置其他多模态模型，自动识别当前model是否是 text only 从而调用其他多模态模型识别图片、视频并且返回结果。快速安装：pi install npm:pi-vlm-proxy 评论区看 Github 链接：

什么 DeepSeek 可以支持多模态了？其实是曲线救国！最近 DeepSeek V4 Flash 正式版发布，Pi 突然在推特中文区火了起来，看到不少人开始发教程。 Pi + DeepSeek V4 Flash 用起来是真的又爽又快对吧？但是唯一的遗憾就是不支持多模态。这里我就分享一个我自己 Vibe 的 Pi extension pi-vlm-proxy ：支持自动配置其他多模态模型，自动识别当前model是否是 text only 从而调用其他多模态模型识别图片、视频并且返回结果。快速安装：pi install npm:pi-vlm-proxy 评论区看 Github 链接：

劳伦斯

44,265 views • 26 days ago

NVIDIA 刚推出了一个 0.6B 的语音辨识模型叫 Nemotron-3.5-ASR 支持 40 种以上语言、实时串流输出——不需要 GPU，纯 CPU 就能跑速度是官方 Nemo runtime 的 2.5 倍，辨识结果完全一致离线环境也能用，直接整进你的 agent pipeline

NVIDIA 刚推出了一个 0.6B 的语音辨识模型叫 Nemotron-3.5-ASR 支持 40 种以上语言、实时串流输出——不需要 GPU，纯 CPU 就能跑速度是官方 Nemo runtime 的 2.5 倍，辨识结果完全一致离线环境也能用，直接整进你的 agent pipeline

兵五进一

47,165 views • 2 months ago

🤯 ComfyUI 大更新！ API 节点原生支持，直接在 ComfyUI 里调用 GPT4o 图片生成、混元 3D、Kling、Veo 这些付费模型 API 了，甚至 TTS 也支持。更新 ComfyUI，直接用模板就能跑！API 价格和官方一样。 ComfyUI 永远免费开源！❤️

🤯 ComfyUI 大更新！ API 节点原生支持，直接在 ComfyUI 里调用 GPT4o 图片生成、混元 3D、Kling、Veo 这些付费模型 API 了，甚至 TTS 也支持。更新 ComfyUI，直接用模板就能跑！API 价格和官方一样。 ComfyUI 永远免费开源！❤️

katon

26,892 views • 1 year ago

一款轻量级的音频转文本开源免费工具：Youtube-Whisper。只需输入 YouTube 视频链接，即可提取其中音频，并利用 OpenAI Whisper 模型进行语音转文本。 GitHub：工具提供了在线免费体验地址，可选择英语、西班牙语、法语等语言。在线体验：

一款轻量级的音频转文本开源免费工具：Youtube-Whisper。只需输入 YouTube 视频链接，即可提取其中音频，并利用 OpenAI Whisper 模型进行语音转文本。 GitHub：工具提供了在线免费体验地址，可选择英语、西班牙语、法语等语言。在线体验：

高军

29,766 views • 1 year ago

抖音纯种阿江 #微密圈 #秘语空间 #岛遇 👉站内有该博主更多资源，更有1000+位博主资源微密圈秘语空间岛遇收录网（支持在线观看）

Sensitive content

抖音纯种阿江 #微密圈 #秘语空间 #岛遇 👉站内有该博主更多资源，更有1000+位博主资源微密圈秘语空间岛遇收录网（支持在线观看）

网红品鉴

80,619 views • 1 year ago

Claude 开发者大会给KOL发的这个Cardputer感觉很不错售价 $29.9（约 ¥215）可以：在 Cardputer 上敲问题 → 通过 WiFi 发到你电脑 → 电脑上的 Claude Code 处理 → 结果回传到小屏幕显示当语音对讲口：按住按键说话 → 录音传到你电脑 → STT 转文字 → 喂给 Claude → TTS 播回小喇叭当 Claude 的"实体宠物"：屏幕上跑个像素小动物，Claude 思考时它在动，回答时它说话也可以把把 Cardputer 接到 OpenClaw上，支持语音输入、TTS 语音回答

Claude 开发者大会给KOL发的这个Cardputer感觉很不错售价 $29.9（约 ¥215）可以：在 Cardputer 上敲问题 → 通过 WiFi 发到你电脑 → 电脑上的 Claude Code 处理 → 结果回传到小屏幕显示当语音对讲口：按住按键说话 → 录音传到你电脑 → STT 转文字 → 喂给 Claude → TTS 播回小喇叭当 Claude 的"实体宠物"：屏幕上跑个像素小动物，Claude 思考时它在动，回答时它说话也可以把把 Cardputer 接到 OpenClaw上，支持语音输入、TTS 语音回答

小互

59,387 views • 3 months ago

抖音盐汽喵 #微密圈 #秘语空间 #岛遇微密圈秘语空间岛遇收录网（支持在线观看） 👉 更有1000+位博主资源

抖音盐汽喵 #微密圈 #秘语空间 #岛遇微密圈秘语空间岛遇收录网（支持在线观看） 👉 更有1000+位博主资源

网红品鉴

20,458 views • 1 year ago

又在 GitHub 上发现一个专为快速构建 Web 应用的强大 AI 编程助手：Claudable。将本地 CLI 终端编程 Agent，如 Claude Code、Gemini CLI、Qwen Coder、Cursor 等，与 Lovable 结合。只需使用自然语言简单描述一下想法，就能瞬间生成完整的 Next.js 应用，并且可在编辑器里实时预览效果。 GitHub：主要功能： - 支持多种 AI 编程 Agent，包括 Claude Code、Cursor CLI、Gemini CLI 等 - 自然语言描述想法，即可生成生产级 Next.js 应用 - 实时预览功能，改动代码可实时查看结果 - 具备自动错误检测和修复，提升开发效率 - 集成 Supabase 数据库，支持用户认证和数据存储 - 生成的 Web 应用，支持一键部署到 Vercel，无需复杂配置目前工具仅支持通过本地安装部署使用，提供了详细的步骤说明，感兴趣的开发者可以看一下。

又在 GitHub 上发现一个专为快速构建 Web 应用的强大 AI 编程助手：Claudable。将本地 CLI 终端编程 Agent，如 Claude Code、Gemini CLI、Qwen Coder、Cursor 等，与 Lovable 结合。只需使用自然语言简单描述一下想法，就能瞬间生成完整的 Next.js 应用，并且可在编辑器里实时预览效果。 GitHub：主要功能： - 支持多种 AI 编程 Agent，包括 Claude Code、Cursor CLI、Gemini CLI 等 - 自然语言描述想法，即可生成生产级 Next.js 应用 - 实时预览功能，改动代码可实时查看结果 - 具备自动错误检测和修复，提升开发效率 - 集成 Supabase 数据库，支持用户认证和数据存储 - 生成的 Web 应用，支持一键部署到 Vercel，无需复杂配置目前工具仅支持通过本地安装部署使用，提供了详细的步骤说明，感兴趣的开发者可以看一下。

GitHubDaily

11,926 views • 11 months ago

Memo AI 现已支持 GPT-4o 翻译视频字幕。测试下来速度快，翻译效果不错，合并情况少。对比 turbo 降低 50% 的成本，速度提升了两倍。

Memo AI 现已支持 GPT-4o 翻译视频字幕。测试下来速度快，翻译效果不错，合并情况少。对比 turbo 降低 50% 的成本，速度提升了两倍。

Memo AI

58,355 views • 2 years ago

Skywork 上线了视频 Agent 能力，他们这个流程有意思你可以从第一个分镜开始，左边生成之后，将生成的视频和音频素材发到右边的视频编辑器里面去进行编辑。支持使用主流的视频模型和能力，文生、图生、首尾帧都有，另外支持生成音乐和语音。我用首尾帧做了一条香水广告的演示，还不错。也上线了一些特效模版，你可以不用管提示词直接复用。而且会员从昨天（0106）开始会有为期七天的无限使用优惠，只要你是会员就可以一直用。最近有需求的朋友们可以看看，说不定这几天直接回本了。

Skywork 上线了视频 Agent 能力，他们这个流程有意思你可以从第一个分镜开始，左边生成之后，将生成的视频和音频素材发到右边的视频编辑器里面去进行编辑。支持使用主流的视频模型和能力，文生、图生、首尾帧都有，另外支持生成音乐和语音。我用首尾帧做了一条香水广告的演示，还不错。也上线了一些特效模版，你可以不用管提示词直接复用。而且会员从昨天（0106）开始会有为期七天的无限使用优惠，只要你是会员就可以一直用。最近有需求的朋友们可以看看，说不定这几天直接回本了。

歸藏(guizang.ai)

18,228 views • 7 months ago

19秒的视频--Codex 在 ChatGPT 手机 App 上使用感受一下Codex的同步速度：手机发指令，电脑 Codex 实时执行、返回结果发任务响应速度非常快，用来审核、review 输出特别好用目前缺点是仅支持 macOS 设备（Windows 支持即将上线），作为预览版还存在一些 bug，比如同步不稳定、长线程加载卡顿、插件复杂任务仍需桌面端处理

19秒的视频--Codex 在 ChatGPT 手机 App 上使用感受一下Codex的同步速度：手机发指令，电脑 Codex 实时执行、返回结果发任务响应速度非常快，用来审核、review 输出特别好用目前缺点是仅支持 macOS 设备（Windows 支持即将上线），作为预览版还存在一些 bug，比如同步不稳定、长线程加载卡顿、插件复杂任务仍需桌面端处理

梭哈.AI

19,225 views • 3 months ago

发现一个开源小模型，在GitHub上已经斩获 5w star，还登上了Trending榜单。用它可以让你只用3块钱、花两个小时，就能训练出一个仅有25.8M参数的超小语言模型。主打极致轻量化，最小版本体积只有 GPT-3 的 1/2700。而且还开源了 tokenizer 分词器训练，包含 Pretrain、SFT等全过程训练代码，甚至拓展了视觉多模态的MiniMind-V。所有训练脚本均为 PyTorch 原生实现，兼容MoE混合专家模型架构，基本实现了对大语言模型全阶段的开源复现

发现一个开源小模型，在GitHub上已经斩获 5w star，还登上了Trending榜单。用它可以让你只用3块钱、花两个小时，就能训练出一个仅有25.8M参数的超小语言模型。主打极致轻量化，最小版本体积只有 GPT-3 的 1/2700。而且还开源了 tokenizer 分词器训练，包含 Pretrain、SFT等全过程训练代码，甚至拓展了视觉多模态的MiniMind-V。所有训练脚本均为 PyTorch 原生实现，兼容MoE混合专家模型架构，基本实现了对大语言模型全阶段的开源复现

阿西_出海

55,207 views • 1 month ago