TAG:语音合成

微软开源实时语音模型VibeVoice-Realtime-0.5B，具备极低延迟（300ms开声）、超长音频生成（90分钟不喘）和多角色对话（支持4人）等强大功能。模型轻量高效，支持中英文，情感表达自然，适用于实时语音助手、有声阅读等场景，已在HuggingFace开源。

aibase

2025-12-05 16:00

0

·

0

复旦大学MOSS团队开源国内首个端到端语音到语音大模型MOSS-Speech，采用创新层拆分架构，无需传统ASR→LLM→TTS流程即可实现语音问答、情绪模仿和笑声生成。在ZeroSpeech2025评测中WER低至4.1%，情感识别准确率91.2%，中文口语MOS分达4.6接近真人水平。提供48kHz超采样和16kHz轻量版本，支持单张RTX4090实时推理，延迟低于300ms，已开放商用许可。

爱力方

2025-11-20 16:51

0

·

0

StepFun AI发布开源音频编辑模型Step-Audio-EditX，这是一个3B参数的创新模型，将音频编辑转化为类似文本编辑的直观操作。通过双代码本标记器和混合语料库训练，模型实现了对语音情感、风格和音色的精确控制。采用大边距学习和强化学习技术，在Step-Audio-Edit-Test基准测试中展现出卓越的编辑效果，还能提升其他TTS系统的音频质量。

aibase

2025-11-10 10:50

0

·

0