标签
一个免费、完全本地的语音克隆和TTS工具，由Qwen3-TTS和Kokoro驱动，通过MLX在Apple Silicon上运行，无需云服务即可从PDF生成工作室级有声书。
VibeVoice 1.5B，一个长篇幅多说话人TTS模型，现已获得audio.cpp（原生C++/ggml运行时）的支持，在RTX 5090上实现4.08倍实时速度，比无量化的Python基线快2.86倍。
开发者改进了 qwen3-tts.cpp，使其在 RTX 5080 上实现 5 倍实时运行，并使用 Kotlin Compose Multiplatform 创建了跨平台桌面 GUI，具备语音克隆、流式传输和说话人嵌入管理功能。
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。
一个基于macOS系统原生能力、完全免费开源的HTTP API服务，提供图像OCR、多语言翻译、网页内容获取、人脸识别、二维码/条形码识别和文字转语音等功能。
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。
一位开发者驳斥了常见的观点，即LLM延迟是语音助手响应慢的主要原因，并解释说，延迟往往源于更早的阶段，如音频捕获、语音活动检测（VAD）和语音转文字（STT）。他建议记录特定的延迟指标，并测试不同的STT/TTS提供商和编排框架来诊断问题。
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。
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。
展示Hermes Agent利用其Manim Video技能和TTS工具制作了一段解释自身的视频。
介绍开源项目Pixelle-Video：一个全自动AI短视频引擎，输入主题即可自动生成带文案、配图、语音和背景音乐的视频，支持本地和云端模型，模块化设计可灵活替换各环节模型。
Zyphra released ZONOS2, an open-source MoE text-to-speech model trained on over 6 million hours of multilingual speech, supporting voice cloning and high-quality synthesis across many languages.
小米发布 MiMo 系列模型更新，包括 mimo-v2.5-asr（支持多种方言和歌词转写）、mimo-v2.5-pro（万亿参数、1M上下文）、mimo-v2.5（全模态感知）、以及 TTS 系列模型，显著提升了 Agent 性能和复杂声学场景下的识别能力。
更新后的TTS基准测试引入了客观标准和实时盲投票机制，为46+模型创建ELO排名，并向社区开放参与。
推荐了10个实用的GitHub开源项目，涵盖AI投资分析、多模型聊天客户端、视频生成引擎、金融终端、短视频自动生成、AI邮件客户端、语音克隆、域名信息收集、Claude技能集和API集成等。
RedNote发布了dots.tts，一个2B参数的开源文本转语音模型，支持零样本语音克隆和48kHz合成。
Dots.tts 是来自小红书（RedNote）的新TTS模型，拥有2B参数，遵循Apache 2.0许可，采用完全连续架构（无编解码器令牌），支持48kHz合成和零样本语音克隆。