标签
提出HybridCodec，一种结合时间压缩离散令牌与连续残差的新颖框架，旨在改进语音语言模型中说话人特征的保留，在保持质量的同时减少自回归步骤。
本文研究了VoxCPM2 TTS模型的LoRA微调，以改善低资源语言（如高棉语）的质量，同时显示对于基础模型已处理良好的韩语没有提升。该适配器在极少的参数训练下，显著提高了高棉语的MOS评分。
audio.cpp是一个C++/ggml运行时，集成了包括Qwen3-TTS、PocketTTS和VeVo2在内的12种音频模型，在CUDA上实现TTS速度比Python快5倍。
Inflect-Micro-v2 是一个紧凑型文本转语音模型，参数不足1000万，支持CPU/CUDA推理和长文本处理，已在Hugging Face上发布。
发布了 Inflect-Nano-v2，这是一个固定语音的英文TTS模型，参数量低于4M，用于本地文本到波形合成，支持CPU或CUDA推理，以及长文本处理。
本文提出了一种模块化的端到端语音对话系统，适用于低资源的阿尔及利亚方言，集成了ASR、NLU、RAG和TTS，并使用了专用数据集和微调模型。
一次个人实验表明，为世界杯比赛构建的AI解说员在节奏较慢时效果真实，但快速比赛则会出现问题。
MOSS-TTS是模思公司推出的开源声音克隆模型，用户朗读少量文本即可克隆声音，随后可用克隆的声音生成任意语音，效果逼真。
本文讨论了语音作为AI智能体输出层未被充分利用的潜力，重点介绍了超越简单文本转语音的实际用例和工作流程挑战。
有道开源了1.3B参数的Confucius4-TTS模型，支持14种语言的零样本语音克隆与跨语言语音合成，速度快且效果优秀。
MOSS-TTS-Local Transformer v1.5 是一个开源的 48 kHz 立体声 TTS 模型，具有零样本语音克隆、原生流式传输，并支持31种语言，基于 Qwen3-4B 骨干网构建，通过 SGLang-Omni 提供。
MosiAI发布了MOSS-TTS Local Transformer v1.5，这是一款支持语音克隆、30多种语言以及48 kHz高质量输出的文本转语音模型。
Inflect-Nano，一个极致微小的463万参数文本转语音模型，已经发布。
Google的Gemini TTS现在支持流式音频生成，开发者可以构建即时响应的语音应用，无需等待完整音频输出。
VoxCPM2是OpenBMB开源的语音合成模型，采用无分词器的扩散自回归架构，支持30种语言、语音设计和可控语音克隆，仅需一句话即可克隆音色，或用文字创建全新声音，输出48kHz高质量音频，可商用。
Inflect-Nano-v1 是一个极小的英文文本转语音模型，总推理参数（包括其声码器）为 4.63M，专为本地高效的语音合成实验而设计。
Kokoro-82M是一个高度自然的文本转语音模型，拥有8200万参数和超过1100万次下载，代表了AI语音生成的重大进步。
Cartesia 发布了 Sonic-3.5（文本转语音）和 Ink-2（语音转文本），声称它们是语音助手领域排名第一的流式模型，有可能颠覆呼叫中心。
比较两个本地运行的移动TTS模型——Kokoro和Supertonic，质疑它们在初始演示之外的生产质量。