标签
一位用户分享了对一款轻薄、基于 Android 的设备的实机感受，该设备具备麦克风、扬声器、OCR、文字转语音和 ChatGPT 5.2 聊天功能，并指出其唯一明显的缺点是缺少彩色。
NVIDIA 的完整语音技术栈——ASR、TTS 和编解码器——现已量化为 GGUF，并通过 NeMo-Speech.cpp 在设备端本地运行，同时发布了 Magpie-TTS、Nemotron Speech Streaming 和 Parakeet 的新模型。
Scenema Audio，一款支持零样本声音克隆的表现力丰富的文本转语音模型，现已成为 ComfyUI 的原生自定义节点，并经过量化可在 8GB 显存上运行。此次发布新增了内联舞台指示提示、12 种预设语音，并简化了 ComfyUI 的提示词格式。
Speechfony是一款全新的完全本地桌面应用，可朗读PDF和EPUB，支持句子高亮、语义搜索和MP3有声书导出，使用Kokoro TTS和设备端嵌入模型。它优先考虑隐私和离线使用，采用开源MIT许可证。
Qwen3-TTS 语音克隆已合并到 llama.cpp 主线，通过 llama-tts 二进制文件，利用短参考音频即可在本地实现文本转语音和语音克隆，支持多种语言。目前仍有限制，包括仅支持 Base 模型，且尚无服务器端点。
Presents DLLM-TTS, a block discrete diffusion language model for text-to-speech synthesis that processes X-Codec2 tokens in blocks, enabling parallel generation with RTF 0.15 while achieving competitive quality with only 20K hours of training data.
OpenVoice 是一个开源的即时语音克隆模型，具备风格和语言控制能力，现已在 GitHub 上可用。
OpenMMLab开源了Amphion，一个支持TTS、歌声转换、音效生成等多功能的音频生成工具箱，完全免费可商用，支持本地部署。
SpeechifyAI的Simba 3.2在盲测语音排行榜上占据第一，超越了ElevenLabs、OpenAI和Google DeepMind，同时成本大幅降低，并提供了新的API和免费套餐。
Gradium 发布了新的 TTS 模型公测版，能原生准确读取电话号码、邮件地址、IBAN 以及时间表达式，并提供 API 接口和 100 万积分用于测试。
Fish Audio 推出S2.1 Pro，这是一款生产级语音模型，具有90毫秒延迟，支持83种语言，可从短样本进行语音克隆，并支持多人对话，可通过API使用，并设有开发免费套餐。
Audio8 发布了一款拥有 6 亿参数的多语言文本转语音模型，支持零样本声音克隆功能，在 Hugging Face 上以 Apache 2.0 许可证提供。
Dia 是一个1.6B参数的开源文本转语音模型，能够根据转录文本生成英语对话，支持双说话人生成、音频条件控制以及非语言提示。
一份面向语音代理构建者的文本转语音资源精选列表，围绕实时流式合成与离线高保真合成之间的选择进行组织，重点强调流式延迟和流中取消。
一份按许可证类型组织的开源文本转语音模型参考指南，重点指出哪些模型可用于商业用途。
阿里巴巴通义实验室发布了Qwen-Audio-3.0-TTS，一款新的文本转语音模型，提供Flash（实时）和Plus（高质量）两个版本，支持16种语言、自然语言风格控制以及更稳健的语音克隆。
一位开发者使用先进的AI模型创建了一个用于本地文本转语音和听写的MacOS工具，强调速度和隐私。
Scylla's Band 是一款新的 TTS 模型和推理框架，包含用于部署的 Android 示例。