标签
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。
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。
Fish Audio 发布了 Drama 3 语音模型，支持在普通语言指令下控制语气、情绪与节奏，甚至能在同一句话中切换情绪，展现出接近人类语音的细腻控制力，现已通过 API 以 'drama-3-preview' 提供预览。
一条推文惊叹于Kling AI的视觉和语音效果已与现实无法区分。
一个用于测试Google的Gemini 3.8文本转语音API的交互式演练工具，使用户能够使用各种声音创作和预览多说话者音频对话。
Google 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，这些新的文本转语音模型可让创作者和开发者生成富有表现力且可定制的音频。
这篇帖子讨论了像ElevenLabs和OpenAI这样的公司如何扩展到核心AI语音技术之外，导致语音技术进展变慢，并介绍了Cartesia的Multilingual Voices，帮助企业跨语言保持一致的品牌声音。
一位用户为假预告片制作了一个播音员声音，纯属玩笑，这引发了关注，并且它与 ElevenLabs 的新 MCP 相关，该 MCP 引入了语音、音乐、图像和视频生成功能。
埃隆·马斯克和Grok推广一项竞赛，使用Grok Imagine的AI视频和语音功能创作The Odyssey场景即可赢取奖品。
微软宣布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览，这是其最新专为图像和语音场景构建的生成式 AI 模型，现已上线 Azure AI，并为必应图像创建器等微软产品提供支持。
Violin 是一个开源的视频自动配音翻译工具，支持33种语言，集成Whisper、DeepSeek等模型，提供一键式语音识别、翻译、配音合成及视频内问答功能。
Higgs Audio v3 是一个 4B 参数的 TTS 模型，专为语音聊天应用设计，支持 100 种语言并具备内联控制能力。
Derpy Turtle 是一款 Windows GUI 工具，旨在通过整合音色搜索、RVC 模型训练和生成后音色转换，将工作流统一起来，从而增强 Kokoro 的语音输出效果。
中国创业公司 Super Brain 利用照片、视频和语音记录，仅需 3 美元即可生成逝者 AI 克隆。
VoxCPM2 是一个开源的、无分词器的扩散自回归文本转语音模型，支持30种语言，拥有20亿参数，48kHz音频输出，并具备从自然语言描述进行语音设计、可控语音克隆以及实时流式处理等功能。