标签
Silencio-2 是基于 Kyutai 的 Pocket TTS 微调而来的开放权重 TTS 模型，拥有 1800 万参数，能够遵循文本中的内嵌情绪和声音标签（笑声、叹息、耳语、愤怒等），在 CPU 上的运行速度约为实时速度的 20 倍。作者分享了训练细节和经验教训，特别提到，一个基于 AST/AudioSet 的音频片段级过滤器曾悄无声息地丢弃罕见声音事件，因此最终将其完全移除。
NousResearch 推出 Hermes Desktop 的 ElevenLabs SFX 插件，支持直接生成音效、循环播放、一键生成变体及音效库管理，面向游戏开发场景。
介绍一种技巧：把 Openverse 素材搜索接口交给 Claude，让它在剪视频时自动检索并下载 520 多万条免费音频中的音效（重点用来源过滤 Freesound 的 59 万条），无需申请 API Key。
一个 Ask HN 讨论帖，探讨文本 + 参考音频 → 音频生成在商业化方面的空白：图像和文本模态已经商品化，而可控音频生成仍明显落后。
该推文展示了一个能让'jev'通过哔哔声表达情感并进行交流的工具，并附有音频片段。
StepAudio 3 Gen 是一个通用音频生成模型，它使用残差向量量化令牌，在一个单一的离散自回归框架内统一了文本转语音、声音设计、音效和音乐。
Death By Audio 的 Amp Crash 是一款小巧的吉他音箱，兼具失真效果器功能，内置麦克风和效果器，通过扬声器-麦克风交互创造独特、强烈的声音。
一个有趣的开源工具，可将 Framework 12 笔记本电脑的铰链变成吱吱作响的木门声音，音高取决于铰链位置，音量取决于速度。
Jordi Pons宣布推出Stable Audio 3，这是一个开源权重模型系列，用于生成器乐和音效，支持对授权音频进行快速生成和编辑。