正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

有道重磅开源！子曰4.0 TTS：告别生硬机器音，跨语言口播也有灵魂了！刚亲测了网易有道刚刚开源的 Confucius4-TTS（子曰4.0），效果真的很惊喜。以前做跨语言口播，最头疼的就是：翻译完之后，机器音又干又硬，音色变了、语气没了、情绪也丢了，听着完全没有灵魂，像另一个人在念稿。而子曰4.0最打动我的地方是翻译和声音迁移几乎同步完成。你只需要给一段参考音频，它就能把原声的音色、语气和情绪自然带到另一种语言里。听起来不再是冰冷的机器配音，而是原角色换了一种语言在自然口播，那种熟悉的感觉和情感起伏都保留得非常明显。特别厉害的地方在于： - 14种语言随便切换，几乎听不出口音，一把声音走天下音色、语气、情绪同步迁移，角色灵魂不丢 - 真正零样本克隆，只需一段参考音频即可 - 完全开源（Apache协议），支持本地部署 + 二次训练，随便玩对内容创作者来说，这波真的实用：视频出海、本地化、二创、多语言播客、短视频等场景，过去最痛苦的配音环节，现在门槛大幅降低。终于可以告别生硬机器音，让跨语言口播也有温度、有灵魂。

开发者Hailey

23,873 subscribers

21,036 次观看 • 3 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

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

131,773 次观看 • 2 个月前

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 次观看 • 4 个月前

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👇：

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

141,497 次观看 • 4 个月前

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

小互

12,522 次观看 • 4 个月前

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：

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 次观看 • 2 年前

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

56,071 次观看 • 1 年前

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。

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

49,431 次观看 • 1 年前

Cartesia ai的一款“变声器”模型：Voice Changer ，可以将任何音频声音转换成不同的音色，同时保留原始音频的语气、情感能保持原始表达方式，语气、情感不会失真，还可以保留叹息、惊讶等细节，支持在同一段音频中多次切换不同声音特别适合用于配音的场景，视频、动画、故事配音、有声读物等等体验地址： #AI配音 #AI声音转换

Cartesia ai的一款“变声器”模型：Voice Changer ，可以将任何音频声音转换成不同的音色，同时保留原始音频的语气、情感能保持原始表达方式，语气、情感不会失真，还可以保留叹息、惊讶等细节，支持在同一段音频中多次切换不同声音特别适合用于配音的场景，视频、动画、故事配音、有声读物等等体验地址： #AI配音 #AI声音转换

AIGCLINK

17,019 次观看 • 1 年前

阿里刚刚一口气发了五款语音模型：Qwen-Audio-3.1系列，并全线降价，ASR降95%、Realtime降85%、TTS降70% 同时覆盖理解、生成、创作、实时交互的完整链条。阿里这次直接打出了语音模型的三板斧：能力全栈化、价格断崖下探、语音被推到Agent/硬件入口位置它这次的Realtime不是只会聊天，是全双工可打断、能识别情绪、能多语言切换，还能调用工具，这就会把语音从搜索式问答推向事务式对话实时语音从“功能”变成“交互入口”，直接冲击客服、助手以及硬件，AI眼镜、办公Agent、硬件结合等无屏化任务场景或将迎来一波热潮 ASR：能转写30种语言+16种中文方言、原生转写润色（去语气词/重复、语义重组）、分角色转写（谁在什么时候说了什么，带时间戳，支持插话/重叠语音）、流式低延迟（首字约160毫秒） ASR-Next：从“语音转文字”扩展到“理解整个音频”，能听出情绪、环境声、机械声，理解事件时间、进行音频问答 TTS：重点是同一音色跨语言/方言不变味，还能控制情绪和语速 TTS-Next：这个比较狠，从“配音”升级到“做完整音频作品”，一次生成人声、音效、环境音，多角色音色一致、全程不变声；48kHz输出直接瞄准播客、有声书、影视、游戏、广告等场景 Realtime：全双工，可同时说和听，可打断、能共情、能无缝切换语言、对话中能调用Agent工具完成任务 #阿里语音模型 #QwenAudio

阿里刚刚一口气发了五款语音模型：Qwen-Audio-3.1系列，并全线降价，ASR降95%、Realtime降85%、TTS降70% 同时覆盖理解、生成、创作、实时交互的完整链条。阿里这次直接打出了语音模型的三板斧：能力全栈化、价格断崖下探、语音被推到Agent/硬件入口位置它这次的Realtime不是只会聊天，是全双工可打断、能识别情绪、能多语言切换，还能调用工具，这就会把语音从搜索式问答推向事务式对话实时语音从“功能”变成“交互入口”，直接冲击客服、助手以及硬件，AI眼镜、办公Agent、硬件结合等无屏化任务场景或将迎来一波热潮 ASR：能转写30种语言+16种中文方言、原生转写润色（去语气词/重复、语义重组）、分角色转写（谁在什么时候说了什么，带时间戳，支持插话/重叠语音）、流式低延迟（首字约160毫秒） ASR-Next：从“语音转文字”扩展到“理解整个音频”，能听出情绪、环境声、机械声，理解事件时间、进行音频问答 TTS：重点是同一音色跨语言/方言不变味，还能控制情绪和语速 TTS-Next：这个比较狠，从“配音”升级到“做完整音频作品”，一次生成人声、音效、环境音，多角色音色一致、全程不变声；48kHz输出直接瞄准播客、有声书、影视、游戏、广告等场景 Realtime：全双工，可同时说和听，可打断、能共情、能无缝切换语言、对话中能调用Agent工具完成任务 #阿里语音模型 #QwenAudio

AIGCLINK

15,825 次观看 • 7 天前

大家最近都在看世界杯，经常听到解说喊破喉咙特别是在梅西帽子戏法那一秒： 🇦🇷 阿根廷解说员喉咙劈了："¡Gooool! ¡Hat-trick! ¡3 a 0!" 🇫🇷 法国 TF1 抢着喊："Triplé de Messi !" 🇯🇵 日本 DAZN 主播炸屏："ハットトリック！" 🇩🇪 德国一句 "Hattrick! Argentinien drei null!" 每一个人都激动到破音你只听得懂其中一个球迷群里有人问："能不能把西语这段的癫，用日语也这样喊一遍？" 以前这问题无解，因为情绪，是翻译不出来的最近发现了一款开源TTS 它做了一件魔法般的事：把原解说员的声音、语速、拉长音、破音、那股癫，完整迁移到 14 种语言。那股癫，一段都不丢在线体验的制作流程，也很简单： 1️⃣ 上传音频，选择需要翻译的语言，输入待合成文本 2️⃣ 点击“生成”按钮，即可完成翻译更有开源版本，可以自部署无限使用，在保持相同声音的同时无缝切换语言，提供流畅、自然、富有表现力的语音 #有道TTS

大家最近都在看世界杯，经常听到解说喊破喉咙特别是在梅西帽子戏法那一秒： 🇦🇷 阿根廷解说员喉咙劈了："¡Gooool! ¡Hat-trick! ¡3 a 0!" 🇫🇷 法国 TF1 抢着喊："Triplé de Messi !" 🇯🇵 日本 DAZN 主播炸屏："ハットトリック！" 🇩🇪 德国一句 "Hattrick! Argentinien drei null!" 每一个人都激动到破音你只听得懂其中一个球迷群里有人问："能不能把西语这段的癫，用日语也这样喊一遍？" 以前这问题无解，因为情绪，是翻译不出来的最近发现了一款开源TTS 它做了一件魔法般的事：把原解说员的声音、语速、拉长音、破音、那股癫，完整迁移到 14 种语言。那股癫，一段都不丢在线体验的制作流程，也很简单： 1️⃣ 上传音频，选择需要翻译的语言，输入待合成文本 2️⃣ 点击“生成”按钮，即可完成翻译更有开源版本，可以自部署无限使用，在保持相同声音的同时无缝切换语言，提供流畅、自然、富有表现力的语音 #有道TTS

Jason Zhu

65,175 次观看 • 2 个月前

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 Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

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 Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

猪脚饭.Ai

52,113 次观看 • 2 个月前

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。

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

96,942 次观看 • 1 年前

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

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 次观看 • 5 个月前

橘子团队Orange AI 新发布的全球第一个书面语转口语的 TTS — FlowSpeech，我玩了大半天，效果太炸裂了！它提供了多种音色可选，还能克隆你自己的音色最重要的是，它特别有人味儿无论是生成播客，视频口播还是有声书，都特别需要这种人味儿输入文案一键就生成好了，效率真的拉满了！

橘子团队Orange AI 新发布的全球第一个书面语转口语的 TTS — FlowSpeech，我玩了大半天，效果太炸裂了！它提供了多种音色可选，还能克隆你自己的音色最重要的是，它特别有人味儿无论是生成播客，视频口播还是有声书，都特别需要这种人味儿输入文案一键就生成好了，效率真的拉满了！

Corey Chiu

29,014 次观看 • 1 年前

📢：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

📢：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

47,704 次观看 • 8 个月前

一个人只要留下 5 秒声音，AI 就能让这副嗓子继续说下去，甚至换一种语言。这个开源项目叫 GPT-SoVITS。丢进去一小段人声，再输入文字，它就能照着这副音色生成新语音；如果拿 1 分钟数据微调，相似度和真实感还能继续提升。更夸张的是跨语言：参考音频说中文，生成结果却可以说英语、日语、韩语或粤语。做视频配音、角色语音和数字人，不必再为每句新台词重新找人录音了

一个人只要留下 5 秒声音，AI 就能让这副嗓子继续说下去，甚至换一种语言。这个开源项目叫 GPT-SoVITS。丢进去一小段人声，再输入文字，它就能照着这副音色生成新语音；如果拿 1 分钟数据微调，相似度和真实感还能继续提升。更夸张的是跨语言：参考音频说中文，生成结果却可以说英语、日语、韩语或粤语。做视频配音、角色语音和数字人，不必再为每句新台词重新找人录音了

柴郡🔔｜Crypto+AI Plus

22,592 次观看 • 1 个月前