★ 4
谷歌发布 Gemini 3.8 语音合成模型
谷歌推出 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款文本转语音模型，支持从零生成自定义角色音色并精细控制口音与情绪。模型在 Hume AI 语音设计基准上取得第一，并已接入 AI Studio、Gemini API、Gemini Enterprise 等产品。
Google DeepMind40 天前
#TTS
共 8 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
Gemini 3.1 Flash TTS：表达性AI语音
Gemini 3.1 Flash TTS 引入了粒度音频标签，提供对AI语音的精确控制，用于生成富有表现力的音频。该模型提升了语音合成的自然度和可控性。
Google DeepMind201 天前
★ 3
微软推出MAI-Transcribe-2-Streaming及语音模型
微软宣布推出MAI-Transcribe-2-Streaming，并同时发布MAI-Voice-2.1和MAI-Voice-2.1-Flash两款语音模型。MAI-Transcribe-2-Streaming年底前以每音频小时0.54美元首发优惠价提供，MAI-Voice-2.1定价每百万字符22…
36氪31 天前
★ 3
ElevenLabs发布Eleven v4语音模型
ElevenLabs发布其迄今最具表现力的文本转语音AI模型Eleven v4，进一步提升语音合成的情感表达与自然度。该模型面向内容创作、配音等场景，巩固其在TTS领域的竞争力。
Hacker News – AI33 天前
★ 2
Nedimo 推出多语言 AI 助眠故事生成流水线
论文提出 Nedimo 多语言流水线，将确定性规划与大模型生成分离，通过四阶段注意力递减塑造脚本，并做结构校验、错误感知重试与音频响度门控。系统定位为放松与注意力支持工具，不宣称临床疗效，并给出睡眠起效测试的前瞻方案。
arXiv cs.AI12 小时前
★ 2
研究用发音词典监督 Qwen3-TTS 适配爱尔兰语
研究者用 12.8 小时 Common Voice 爱尔兰语语音微调 Qwen3-TTS，并修正厂商微调脚本两处缺陷，跨语料字符错误率降至 0.225。随后将维基词典发音记录编译为词典与音素判别器，用于拒绝式微调，跨语料 CER 进一步降至 0.159、域内 0.067，同时揭示训练数据方言严重失…
arXiv NLP3 天前
★ 2
开源项目 Narro 发布：浏览器本地 AI 语音朗读网页与 Kindle 书籍
开发者发布开源 Chrome 扩展 Narro，使用浏览器内运行的开放权重 TTS 模型朗读网页，并支持 Kindle 在线阅读器。它通过本地 OCR 识别 Kindle 页面图像，全程离线处理，无需账号与服务器。
Hacker News – AI8 天前
★ 2
AphaVoice：面向失语症患者模拟的语音合成模型
研究提出 AphaVoice，一个专为合成高度逼真失语症语音设计的 TTS 框架，用于医护人员培训模拟。相比现有先进 TTS 系统，其在时间指标上更能捕捉不流畅这一临床特征，并借助潜空间偏移支持多说话人生成而不损失语音真实度。
arXiv NLP19 天前