标签
作者使用 Parakeet STT、Qwen 2.5 7B 和 Qwen3-TTS 构建了一个本地实时语音栈，并与 Ollama 集成。
一位开发者分享了为金融科技构建印地语-英语语音代理的事后复盘，重点介绍了数字回读、语码混合TTS、负载下的延迟和合规性等挑战。关键的修复是选择对印度语码混合有一流支持的TTS，并在真实并发条件下进行测试。
Voicebox 是一个本地运行的开源AI语音工作室，支持7种TTS引擎、23种语言和声音克隆，所有处理在本地完成以保护隐私。项目在GitHub已获33.8k星标。
Audio8 的开源 TTS 模型在 Hugging Face 的 TTS 趋势榜上排名第一，总榜排名第十，团队对此表示感谢，并计划继续改进。
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。
一款新工具包可对小型Inflect-Nano/Micro TTS模型进行微调，支持自定义声音和语言，并支持热启动、恢复训练以及导出至PyTorch/ONNX。
audio.cpp 0.4 版本为 Higgs Audio v3 TTS 4B（10倍实时）和 Fish Audio S2 Pro 添加了基于 C++/GGML 的推理，支持完整 GGUF 加载，并实现了 Q8 速度与显存优化。
LangChain 推出面向语音框架（Pipecat、LiveKit、OpenAI Realtime、Gemini Live）的 LangSmith 追踪功能，支持完整音频监控、STT/TTS 延迟跟踪、中断检测和 VAD 分析，且仅需极少量代码。
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。
NVIDIA 发布了 Nemotron，一个原生音频模型，能够进行转录、翻译、声音识别、音频问答、TTS 以及完整的语音到语音转换，开放 2B 和 30B 参数权重。
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。
audio.cpp中发布了基于C++/GGML实现的Supertonic 3、MOSS-TTS、IndexTTS2和Irodori-TTS，能够在RTX 5090上3分钟内生成10小时音频。
Cicero 项目支持与 AI 代理进行自托管、双向语音对话，可本地运行 TTS/STT，并能集成多种代理协议和工具（如 Claude Code 和 Hermes Agent）。
Matt Pocock 分享了一个使用 LLM 生成代码差异播客摘要的工作流想法，旨在防止快速迭代仓库中的理解债务；他已在个人 wiki 上实施，效果良好。
Whispera 是一个基于 VoxCPM 的 Windows 本地实时语音助手，集成了 SenseVoice ASR、llama-server 本地 LLM 推理、VoxCPM 流式 TTS 和 Mem0 长期记忆，完全离线运行。
Maya-2-Native 已在 Voice Arena 的印地语 TTS 排行榜上取得第二名，仅被 Gemini 3.1 Flash 超越。
一项CPU TTS基准测试使用UTMOS MOS评分对比了Kokoro、Supertonic、Inflect-Nano和Kyutai的Pocket TTS，揭示了关于RTF缩放、UTMOS在小声码器上的局限性以及未记录的输出上限的有趣发现。Pocket TTS在CPU上提供了独特的零样本声音克隆能力。
一份使用语音转文字和文字转语音技术揭秘语音代理的指南，包含四个基于浏览器的演示代理以及使用RAG和工具的构建说明。