Загрузка видео...

Не удалось загрузить видео

На главную

配音行业岌岌可危了，ElevenLabs 的 TTS 连[叹气]和[哭腔]都有了！🤪 最新的模型已经能够识别像[笑]、[叹气]这样的“情绪标签”，并用极其自然的语气表达出来。🫡 英文最完美，中文也还不错，广东话就有点搞笑了哈哈。 链接见评论👇

msjiaozhu's profile picture

MapleShaw

12,494 subscribers

100,283 просмотров • 1 год назад •via X (Twitter)

Наука и технологииИскусство
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

Vibe Music 也来了！生成的音乐直奔专业音乐人的水准！ 英文歌不在话下，中文的古风也轻松拿捏，但最让我感到惊艳的是，生成的广东歌，它的粤语发音和情感理解，已经接近香港歌手的标准！ 链接见评论👇
6:32

Vibe Music 也来了！生成的音乐直奔专业音乐人的水准！ 英文歌不在话下，中文的古风也轻松拿捏，但最让我感到惊艳的是，生成的广东歌，它的粤语发音和情感理解，已经接近香港歌手的标准！ 链接见评论👇

MapleShaw

38,368 просмотров • 1 год назад

最近TTS太火了，字节跳动也推出了语音生成模型：Seed-TTS Seed-TTS能生成与人类语音几乎没有区别的语音 支持多种语言包括英语、中文，能够进行同语言生成和跨语言生成。 能处理各种文本，叙述性文本、情感表达、描述性文本等，能根据不同的情感和语境生成相应的语音 github： 论文： #TTS #SeedTTS #字节跳动
1:12

最近TTS太火了，字节跳动也推出了语音生成模型：Seed-TTS Seed-TTS能生成与人类语音几乎没有区别的语音 支持多种语言包括英语、中文，能够进行同语言生成和跨语言生成。 能处理各种文本，叙述性文本、情感表达、描述性文本等，能根据不同的情感和语境生成相应的语音 github： 论文： #TTS #SeedTTS #字节跳动

AIGCLINK

13,338 просмотров • 2 лет назад

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。
2:27

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 просмотров • 2 лет назад

兄弟们，牛P了 11Labs 推出 Eleven v3（Alpha 版） 应该是目前地表最强的文本转语音模型了 它 不仅会说话，还能演戏 支持 70 多种语言 多个角色间的自然对话 以及通过 [sad]、[whispers]、[laughs] 等音频标签精准控制语音情绪与非语言表达 与旧版本相比，v3 拥有更强的文本理解能力，可以模拟真实对话中的中断、情感变化与语气调整。
3:54

兄弟们，牛P了 11Labs 推出 Eleven v3（Alpha 版） 应该是目前地表最强的文本转语音模型了 它 不仅会说话，还能演戏 支持 70 多种语言 多个角色间的自然对话 以及通过 [sad]、[whispers]、[laughs] 等音频标签精准控制语音情绪与非语言表达 与旧版本相比，v3 拥有更强的文本理解能力，可以模拟真实对话中的中断、情感变化与语气调整。

小互

124,132 просмотров • 1 год назад

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 просмотров • 1 год назад

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👇
2:50

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

57,385 просмотров • 2 месяцев назад

兄弟们 炸裂了 这个语音专文本TTS模型 应该是目前对中文支持最好的了 ChatTTS：专门为对话场景设计的文本到语音TTS模型 该模型经过超过10万小时的训练，公开版本在 HuggingFace 上提供了一个4万小时预训练的模型。 专为对话任务优化，能够支持多种说话人语音，中英文混合等。 模型还能够预测和控制细粒度的韵律特征，如笑声、停顿和插话等，还能进行更细粒度的调整，如语速、音调和情感等。 GitHub： 详细介绍：
5:26

兄弟们 炸裂了 这个语音专文本TTS模型 应该是目前对中文支持最好的了 ChatTTS：专门为对话场景设计的文本到语音TTS模型 该模型经过超过10万小时的训练，公开版本在 HuggingFace 上提供了一个4万小时预训练的模型。 专为对话任务优化，能够支持多种说话人语音，中英文混合等。 模型还能够预测和控制细粒度的韵律特征，如笑声、停顿和插话等，还能进行更细粒度的调整，如语速、音调和情感等。 GitHub： 详细介绍：

小互

296,503 просмотров • 2 лет назад

模仿mean girl哈哈哈哈哈哈 虽然我的粤语和英文都不标准，但是！ 这回绝对没人能猜到我是哪的人了！！！
0:29

模仿mean girl哈哈哈哈哈哈 虽然我的粤语和英文都不标准，但是！ 这回绝对没人能猜到我是哪的人了！！！

垂耳兔小星（没回就是睡着了

28,543 просмотров • 1 год назад

刚刷到ChatGPT推出了语音版本 音色，语气，都很棒，除了普通话可能有点abc口音，可能跟训练的样本有关系，国内标准普通话的训练样本比较少，但是也很厉害了。 比起传统的ai配音，他最厉害的是有语气助词，有停顿，有语言逻辑。 我觉得男喘行业即变革😭 准备下岗😭
1:59

刚刷到ChatGPT推出了语音版本 音色，语气，都很棒，除了普通话可能有点abc口音，可能跟训练的样本有关系，国内标准普通话的训练样本比较少，但是也很厉害了。 比起传统的ai配音，他最厉害的是有语气助词，有停顿，有语言逻辑。 我觉得男喘行业即变革😭 准备下岗😭

云初

64,093 просмотров • 2 лет назад

都在聊Fable 5，没人注意谷歌昨天发布了一个颠覆翻译行业的新模型：Gemini 3.5 Live Translate 这是一个实时翻译模型，支持70+语言，能自动识别语种 我在AI Studio里试了下，放一段英文视频，中文几乎同步出来，语气语速都对得上，完成度极高 自己说中文，也是1s内就出地道的目标语言 有了这个，出国谈客户不用找翻译了，跨国会议随便开，自己听英文播客、看视频也很方便 （我的测试视频如下👇） 体验地址：
0:35

都在聊Fable 5，没人注意谷歌昨天发布了一个颠覆翻译行业的新模型：Gemini 3.5 Live Translate 这是一个实时翻译模型，支持70+语言，能自动识别语种 我在AI Studio里试了下，放一段英文视频，中文几乎同步出来，语气语速都对得上，完成度极高 自己说中文，也是1s内就出地道的目标语言 有了这个，出国谈客户不用找翻译了，跨国会议随便开，自己听英文播客、看视频也很方便 （我的测试视频如下👇） 体验地址：

Sac

122,525 просмотров • 20 дней назад

很多人问我这个remotion做的广告宣传片，TTS怎么选择？ 其实我现在TTS主力用几家： Index TTS2：克隆音质非常好，情感表达可以调节并且非常丰富，缺点是需要GPU，生成速度慢 Qwen3-TTS：可以克隆声音，但是对声音的原声音要求高。情感表达也挺丰富，也可以调节。最好的是，可以用CPU去生成，即便用CPU速度也可以接受。 edge-tts：英文还可以，中文就比较AI音了，有点拉垮。 这个视频里面英文配音用的就是edge-tts 还有很多家还没有尝试，比如F5-TTS，MiniMax，等有空了要好好测试一下。
0:26

很多人问我这个remotion做的广告宣传片，TTS怎么选择？ 其实我现在TTS主力用几家： Index TTS2：克隆音质非常好，情感表达可以调节并且非常丰富，缺点是需要GPU，生成速度慢 Qwen3-TTS：可以克隆声音，但是对声音的原声音要求高。情感表达也挺丰富，也可以调节。最好的是，可以用CPU去生成，即便用CPU速度也可以接受。 edge-tts：英文还可以，中文就比较AI音了，有点拉垮。 这个视频里面英文配音用的就是edge-tts 还有很多家还没有尝试，比如F5-TTS，MiniMax，等有空了要好好测试一下。

huangserva

36,531 просмотров • 5 месяцев назад

bilibili的tts牛逼了，能把原声的情绪给模仿出来。抖音上最近刷到的学英语视频原来就是用这个做的。
0:40

bilibili的tts牛逼了，能把原声的情绪给模仿出来。抖音上最近刷到的学英语视频原来就是用这个做的。

Olivert

266,972 просмотров • 9 месяцев назад

哈哈哈哈 东京都厅为了对应来自中国的骚扰电话，准备了一段中文直球打脸的语音～
0:34

哈哈哈哈 东京都厅为了对应来自中国的骚扰电话，准备了一段中文直球打脸的语音～

張　ケンケン

498,776 просмотров • 2 лет назад

哈哈哈，真心话😂，39岁的优质剩女，听了你的哭诉，你的内在的确不如你的年龄有优势👍，听完都有点生气了😡
1:56

哈哈哈，真心话😂，39岁的优质剩女，听了你的哭诉，你的内在的确不如你的年龄有优势👍，听完都有点生气了😡

猫神

510,496 просмотров • 1 год назад

兄弟们，这下可以实现TTS 生成文本转语音自由了。 测试了一下阿里Qwen最新开源模型Qwen3-TTS-12Hz-1.7B-CustomVoice，部署在我这台M1Pro 32G 的笔记本就可以轻松跑起来。 做了一个简单的Demo测试，支持10多种主流语言，中英日韩等语言，支持语调、情绪、上下文内容感知调节，并且可以自定义和克隆音色。 整体的使用效果我觉得还不错，关键是这个模型还有个0.6b的模型，真的是给本地使用者的福音啊。 感兴趣的同学可以自己去试试，地址放评论区。
1:19

兄弟们，这下可以实现TTS 生成文本转语音自由了。 测试了一下阿里Qwen最新开源模型Qwen3-TTS-12Hz-1.7B-CustomVoice，部署在我这台M1Pro 32G 的笔记本就可以轻松跑起来。 做了一个简单的Demo测试，支持10多种主流语言，中英日韩等语言，支持语调、情绪、上下文内容感知调节，并且可以自定义和克隆音色。 整体的使用效果我觉得还不错，关键是这个模型还有个0.6b的模型，真的是给本地使用者的福音啊。 感兴趣的同学可以自己去试试，地址放评论区。

Berryxia.AI

45,388 просмотров • 5 месяцев назад

腾讯 Hunyuan 130亿参数的开源视频模型 有点东西 我自己做了视频，感觉比官方的好点，哈哈哈 应该是用了大量的影视资源训练了，很有电影的感觉 动作幅度很连贯自然、摄像角度似乎也很大，镜头还能来回的切换。 对表情的捕捉也很到位，整体看非常的流畅自然。 跟Sora类似的DiT架构，并在业界内第一个适配新一代语言模型作为文本编码器，具备强大的语义跟随能力。
1:48

腾讯 Hunyuan 130亿参数的开源视频模型 有点东西 我自己做了视频，感觉比官方的好点，哈哈哈 应该是用了大量的影视资源训练了，很有电影的感觉 动作幅度很连贯自然、摄像角度似乎也很大，镜头还能来回的切换。 对表情的捕捉也很到位，整体看非常的流畅自然。 跟Sora类似的DiT架构，并在业界内第一个适配新一代语言模型作为文本编码器，具备强大的语义跟随能力。

小互

20,859 просмотров • 1 год назад

笑的太傻了，好像有点喘不过来气
1:29

Sensitive content

笑的太傻了，好像有点喘不过来气

马家村村长

19,258 просмотров • 1 год назад

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
1:52

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

10,520 просмотров • 1 месяц назад

用AI做Youtube视频的流程跑通了，语气、停顿非常自然，样片在油管也算是拿到了不错的流量，接下来就是批量产出了。 免费的配音工具可移步： 特效音：剪映（免费的就有很多）
1:23

用AI做Youtube视频的流程跑通了，语气、停顿非常自然，样片在油管也算是拿到了不错的流量，接下来就是批量产出了。 免费的配音工具可移步： 特效音：剪映（免费的就有很多）

anguo W

57,263 просмотров • 1 год назад

我就想说NotebookLM都这样了，其他竞品慌不慌？ 直接用NotebookLM的Deep Research功能，搜索到20篇关于龙珠的文章 然后用最新的功能，信息卡和演示文稿，直接输出！ 这个强大的输入+输出能力，叹为观止！
1:39

我就想说NotebookLM都这样了，其他竞品慌不慌？ 直接用NotebookLM的Deep Research功能，搜索到20篇关于龙珠的文章 然后用最新的功能，信息卡和演示文稿，直接输出！ 这个强大的输入+输出能力，叹为观止！

serva huang

144,890 просмотров • 7 месяцев назад