标签
Mistral 发布 Voxtral 3 语音模型家族与语音代理 SDK，支持 50 多种语言的实时转录、情感自适应语音合成以及多步工具调用，可通过欧盟托管的 API 或自部署方式使用，以保障数据主权。
Gradium 发布了首个开源模型 Phonon，这是一组 31M 和 40M 参数、专为边缘/设备端运行设计的 TTS 模型，其推理栈完全开源并支持 CPU、GPU、NPU 等 10 多种后端（大多基于 Rust）。
Fish Audio 发布了 Drama 3 模型的权重，支持用自然语言指导台词演绎并可在句中切换表演方式，引发关于开源语音模型是否将迎来“DeepSeek 时刻”以及 ElevenLabs 等闭源模型护城河的讨论。
蚂蚁集团（inclusionAI/Ant Ling）发布 Ming-3.0 系列语音与音频模型，涵盖 TTS、ASR 及音频模型，已在 Hugging Face 和 ModelScope 上线，参数规模从 0.5B 到 128B 不等。
SteerTTS 是一个 23M 参数的可数值调控英文 TTS 模型，通过 z-score 控制语速、音高、响度等 12 项参数，可在 CPU 上实时运行，并附带 2825 个内置语音与实验性零样本克隆。
Breeze-TTS-2 被认为是目前最强的本地 TTS 模型，但采用非商用许可；对于可免费商用的场景，Moss TTS 1.5 是当前最佳选择。
Edge0/Audio8-TTS-Realistic-Air 是一款采用 Apache-2.0 许可的文本转语音模型，基于 Edge0/Audio8-TTS-Preview-0.6b 微调而来，支持零样本语音克隆以及涵盖 25 种以上语言（zh、en、ja、ko、de、fr、es 等）的多语言合成。
Edge0 发布了 Audio8-TTS-Realistic-0.6B，这是一款紧凑的 6 亿参数 DualAR 文本转语音模型，提升了语音真实感，支持零样本声音克隆和 23 种语言（比预览版多 12 种），并附带一个 44.1 kHz 神经音频编解码器和一个 SGLang 服务适配器。
Fish Audio 推出其最新 AI 语音模型 Drama 3，支持通过自然语言控制情感、节奏、耳语、笑声和停顿，可生成多角色场景、有声书与游戏对话，覆盖 83 种语言，并以社区许可证开放权重供自托管。
Fish Audio 发布了 Drama 3 预览版文本转语音模型，支持用自然语言、括号内标签、音效与局部标记来精确指导每一句台词的表演方式，并可通过 API 调用。
Fish Audio 发布了开源权重的 TTS 模型 Drama 3，号称全球最具情感表现力和可控性的语音合成模型，支持在句子中对单个单词进行风格和语气微调。
Show HN: PDF TO MP3 让你用已有的 OpenAI 订阅通过 MCP 服务器把 PDF 转成有声书，文档处理走订阅，语音生成按 API 用量计费。
Fish Audio 发布开源语音生成模型 Fish Audio Drama 3 的技术报告：基于 35B 参数混合专家骨干（每 token 激活 3B），支持多参考语音克隆、自然语言导演指令、多轮修订、多人场景配音、编辑式填充、长音频与流式合成，单张 H200 推理速度达 271 帧/秒。
Fish Audio 推出了 Drama 3 语音模型，支持音频修复，可以仅重新生成音频中的单个词或短语，其余部分保持不变，并支持 83 种以上的语言。
Orbora 是一款通过 Product Hunt 发布的 AI 音频产品，可为用户生成个性化的引导式音频，包括冥想、呼吸练习、ASMR 和短篇智慧分享，支持自定义语音、时长、语气、背景音和主题，并可离线收听。
一个基于 Qwen3.5 4B 的本地语音助手项目，支持技能与工具调用，无需独立 GPU，集成 Voxtral 本地语音识别与 Pocket TTS 语音合成。
SlopSoup TV 是一个 24/7 不间断的像素艺术直播电视网络，剧本、角色、配音、镜头剪辑与排播全部由 AI 模型完成，全程仅需 CPU 即可运行，日均成本约 2 美元。
该论文将'音系干扰'认定为多语言音素级语音模型中一种系统性的失效模式：模型会套用单一假设语言的音系规则，在面对语码混合或未见语言的输入时，覆盖原本正确的音素判定。为此，论文提出了一种推理阶段的修复方法——窗口化语言估计（WLE），能够在不损害单语性能的前提下，减少34%至69%的音系干扰。
作者分享了将 Fish Audio 语音服务接入 Muse 的完整流程，支持中文配音、多种音色选择、声音克隆以及调用免费的 s2.1-pro-free 模型。
开源 TTS 服务器发布：基于 OmniVoice，提供 OpenAI 兼容 API，RTX 3080 上一句话生成仅需约 0.3 秒，并支持从短参考音频克隆声音，可流式逐段处理长文本。