标签
Nedimo 提出了一套以证据为依据的多语言流程，用于生成低唤醒度的 AI 睡眠故事，将确定性规划与大语言模型生成分离，并采用注意力逐步减弱、验证防护机制和文本转语音（TTS）响度归一化，同时将该系统定位为放松工具，不宣称具有临床疗效。
一位开发者使用 three.js 和 Claude 构建了一个完整的 3D 人物创建工具，支持 IK 骨骼绑定、程序化行走与动画、服装、文本转语音，以及为任何族裔生成皮肤和服饰的 AI 功能，并将其开源，作为面向 three.js 的 MetaHuman 替代方案。
该推文整理了各类别当前最佳模型的榜单，涵盖闭源/开源大模型、视频生成、生图、决策、TTS、ASR、嵌入和音乐生成等多个领域。
Voice Arena 推出了 Turing TTS，这是一个通过“欺骗率”衡量听众将 AI 语音误认为人类语音频率的基准测试；即使是表现最好的模型 Gemini 3.8 Flash TTS，也只有约 10% 的时候能骗过听众。
Turing TTS 是一项新推出的评估，用于衡量人类听众将 AI 生成的语音误认为真人语音的频率；即使是最优秀的文本转语音（TTS）模型，也仅在约 10% 的情况下骗过听众，这引发了关于如何更好地衡量语音 AI 进展的讨论。
一篇万圣节博客文章展示了如何使用 NVIDIA 开源的 Nemotron 模型构建互动式'MonsterHouse'鬼屋，将 ASR（语音识别）、小型语言模型、零样本 TTS（文本转语音）和 Audio2Face-3D 结合起来，在单个工作站上让一扇脾气暴躁的车库门与来讨糖的孩子们对话。
Fish Audio 为 Drama 3 语音模型发布了升级后的权重，使其在 Artificial Analysis 的 Provider Voice 和 Controlled Voice 两个 Speech Arena 榜单上均位列开源权重模型第一，并在发音鲁棒性基准测试中排名第一。
Hugging Face 的 Open TTS 排行榜不仅比较 TTS 模型，还对推理实现进行基准测试，涵盖流式性能（TTFA）、推理速度、语音质量（WER/CER、说话人相似度）以及 GPU/CPU 结果——对构建本地语音代理的开发者非常有价值。
Deepgram 新推出的 Flux TTS 旨在解决语音智能体处理流程中一个关键的准确性瓶颈：对于药品名称和快递追踪号等棘手的字母数字字符串，其词错误率仅为 3.4%，同时在整个语音交互闭环中保持自然流畅的语音。
Armin Ronacher 探索了如何使用 Qwen3-TTS 定制语音，介绍了它的 Base、CustomVoice 和 VoiceDesign 三种变体，并展示了如何将声音嵌入（voice embedding）与简短的参考音频进行混合，为他和孩子们一起开发的地牢爬行游戏构建一个独特的旁白角色。
Readwise 于其第三款产品 Readwise Books 推出邀请制测试版，将购书、阅读与阅读追踪整合到一个应用中，支持 Kindle/Goodreads 导入、EPUB 上传、Android 电子墨水设备、文本转语音以及 MCP 服务器。
一篇赞助帖子，对比了 REST、GraphQL、gRPC 和 WebSockets，随后介绍了 Deepgram Flux TTS —— 一款面向实时语音智能体的对话感知文本转语音 API，内置打断处理能力、延迟低于 80 毫秒，并支持 VPC/本地部署。
作者分享如何用一台12年前的办公PC运行本地脚本（IMAP邮件轮询、Tesseract OCR、Piper TTS），把Telegram机器人例行任务从昂贵的LLM API调用转为零token的本地处理，显著降低成本。
WhissleAI 发布了 SteerTTS-Edge，这是一款支持可控语音合成的小型英语 TTS 模型，通过对声学模型进行 int4 量化感知训练，并采用蒸馏后的 Vocos 声码器，将模型压缩至 11.84 MB，同时保持语音可懂度不变（WER 为 0.96%），UTMOS 仅下降约 0.1 分，并保留了全部 12 项控制功能。
AuroraAI-Research 发布了 AuroraTTS-100K，这是一个极小的英语文本转语音模型，推理参数仅为 95,638 个。该模型使用可微分的谐波+噪声 DSP 合成器（而非神经声码器）在 LJSpeech 上从零开始训练，实现了 UTMOS 3.53 的评分，且推理速度非常快。
KittenML 开源发布了 Kitten-TTS 2，这是全球首个 1.58 位（三值化权重）文本转语音模型，拥有 17 亿参数，可仅使用 CPU 实时推理，支持使用不足 5 秒的参考音频进行零样本语音克隆、支持 20 多种语言，以及情感与强调控制。
inclusionAI 发布了 Ming-3.0-TTS-0.5B，这是一个基于 Qwen2.5-0.5B 构建的稠密 0.5B 多语言文本转语音模型，支持零样本声音克隆、声音设计、副语言内联标签以及自由风格控制，涵盖 7 种语言及中文方言。
蚂蚁集团旗下 inclusionAI 开源了 Ming-3.0-tts 语音合成模型，在 Artificial Analysis 十月榜单上发音稳健性以 93.2% 拿下总榜第一，可控音色为开源第一，支持音色克隆、自然语言指令控制、14 种副语言标签及四川话、粤语等多方言多语言合成。
RubatoCodec 提出一种基于固定语句事件预算的自适应语音令牌化方法，结合流式解码，在低事件率下显著提升语音重建质量与可懂度，并在匹配的文本到语音对比中取得更低 WER 与更高 UTMOS 分数。
ElevenLabs 推出 Eleven Realtime，一套端到端优化的 Speech-to-Speech 语音模型（v1 Mini 与 v1 Max），支持实时语音对话，并提供与 OpenAI Realtime API 兼容的接口，可在 ElevenAgents 中快速构建语音助手。