TTS 相关技术文章

php mysql shell go vue css api接口对接支付接口对接

电子书转有声书：Abogen 本地 TTS，EPUB/PDF 转带字幕音频

电子书转有声书：Abogen 本地 TTS，EPUB/PDF 转带字幕音频
2026-09-12 22:03:31
Abogen 是用 Python 写的桌面级本地 TTS 工具，把 EPUB/PDF/Markdown/TXT 转成带时间同步字幕的音频，全程离线、MIT 开源。基于 Kokoro-82M 提供 66+ 语音，支持字幕生成、音色混合、批量队列和 CUDA/MPS/ROCm 加速，附三种安装方式与对比。
TTS 开源工具本地部署 Python 有声书

FireRedAudio 开源：小红书把音频理解和生成塞进同一个 9B 模型，六项能力全榜单第一

FireRedAudio 开源：小红书把音频理解和生成塞进同一个 9B 模型，六项能力全榜单第一
2026-09-12 09:57:11
FireRedAudio 是小红书超级智能团队开源的统一音频语言模型：9B LLM 骨架配 Audio Encoder（理解）与 RedAE（生成）双通路，一个模型同时支持 ASR、音频理解问答（MMAU 82.0/MMSU 83.3 双第一）、1 小时长录音结构化分析、零样本声音克隆（Seed-ZH CER 0.83%）、自然语言声音设计与语义/声学级语音编辑；论文 arXiv 2608.24168，HuggingFace/ModelScope 均可下载。
FireRedAudio 音频大模型语音识别 TTS 小红书

ViiTorVoice 开源：国产 TTS 登顶 Seed-TTS 全球第一，首创像改 Word 一样局部编辑语音

ViiTorVoice 开源：国产 TTS 登顶 Seed-TTS 全球第一，首创像改 Word 一样局部编辑语音
2026-09-12 09:54:19
ViiTorVoice-NAR 是国产非自回归语音生成系统：中文词错率 0.99 登顶 Seed-TTS 评测成全球首个突破 1.0 的模型；首创无参考文本跨语种克隆（给段声音即可生成任意内容）与片段级局部编辑（像改 Word 一样替换词句，前后过渡天衣无缝）；支持情感标签副语言控制，端到端首帧约 60ms，推理速度 40 倍实时。
ViiTorVoice 语音合成 TTS 声音克隆国产AI

Pocket TTS：1 亿参数、CPU 上跑 6 倍实时，pip 装完就能配音

Pocket TTS：1 亿参数、CPU 上跑 6 倍实时，pip 装完就能配音
2026-09-11 23:34:38
Kyutai Labs 开源的 Pocket TTS 为 CPU 优化，1 亿参数、无需 GPU 与 API，实测速度达实时 6 倍，支持声音克隆与 6 种语言，一行 pip 命令即可本地配音。
TTS 语音合成开源工具 CPU Kyutai

语音克隆不用上云：Voicebox本地工作站集成7个TTS引擎

语音克隆不用上云：Voicebox本地工作站集成7个TTS引擎
2026-09-05 19:14:48
介绍 Voicebox 这个完全本地运行的语音克隆工作站：集成 Qwen3-TTS、LuxTTS、Chatterbox、TADA、Kokoro 等 7 个 TTS 引擎，带多轨道时间轴编辑器和 8 种后处理效果，支持声音档案克隆、REST API，数据全程不出设备，GitHub 已获 21K Star。
Voicebox 语音克隆 TTS 本地运行 Qwen3-TTS 多轨编辑

VoxClaw：给AI Agent加语音输出的开源工具，Mac菜单栏应用支持局域网远程播报

VoxClaw：给AI Agent加语音输出的开源工具，Mac菜单栏应用支持局域网远程播报
2026-09-05 18:58:51
介绍VoxClaw这个刚开源的工具，为OpenClaw等AI Agent增加语音输出层，解决AI执行完任务后反馈不直观的痛点。它在Mac上以菜单栏应用运行，也可当CLI工具使用，支持朗读文本、管道接收终端输出和局域网POST远程播报，提供Apple/OpenAI/ElevenLabs三种语音引擎，目前仅支持macOS。
VoxClaw AI Agent 语音输出 TTS Mac工具

Piper：离线中文 TTS 的轻量选项

Piper：离线中文 TTS 的轻量选项
2026-08-30 19:24:04
树莓派/低算力设备上本地运行的中文神经 TTS 方案：安装步骤、模型选择、CPU 实时推理与适用边界，以及和云端/其他本地 TTS 的取舍。
Piper TTS 离线语音树莓派语音合成

VoxCPM 深度拆解：当无分词器遇见扩散自回归——从 MiniCPM-4 到零样本声音克隆的 TTS 架构革命（2026）

VoxCPM 深度拆解：当无分词器遇见扩散自回归——从 MiniCPM-4 到零样本声音克隆的 TTS 架构革命（2026）
2026-08-14 12:15:05
深度拆解 VoxCPM 无分词器 TTS 系统：从 MiniCPM-4 基座到扩散自回归架构，从零样本声音克隆到 30 种语言支持，配完整代码实战与 15 条生产踩坑清单。
VoxCPM TTS 语音合成开源 AI MiniCPM 声音克隆扩散模型多语言

VoxCPM2 深度拆解：当语音合成决定杀死分词器——从 Tokenizer-Free 架构到 48kHz 高保真克隆的全链路工程革命

VoxCPM2 深度拆解：当语音合成决定杀死分词器——从 Tokenizer-Free 架构到 48kHz 高保真克隆的全链路工程革命
2026-08-12 02:14:35
深度拆解OpenBMB开源VoxCPM2无分词器TTS系统：扩散自回归架构、AudioVAE V2非对称编解码、Voice Design音色创造、Controllable Cloning可控克隆、48kHz高保真输出、RTF 0.13实时部署、Nano-vLLM/vLLM-Omni生产实践、30条踩坑清单
VoxCPM2 TTS 语音合成 Tokenizer-Free 扩散模型 Voice Design 声音克隆 AudioVAE 多语言TTS 开源AI

VibeVoice 深度拆解：当微软决定「开源语音 AI 的全部武器库」——从 7.5Hz 连续语音 Tokenizer 到多说话人对话生成，一个 27K Star 的开源模型家族如何重新定义文本转语音的终极形态

VibeVoice 深度拆解：当微软决定「开源语音 AI 的全部武器库」——从 7.5Hz 连续语音 Tokenizer 到多说话人对话生成，一个 27K Star 的开源模型家族如何重新定义文本转语音的终极形态
2026-08-05 06:43:20
深度拆解微软开源语音AI模型家族VibeVoice：7.5Hz连续语音Tokenizer、多说话人对话生成、90分钟长音频处理、300ms实时TTS，MIT协议本地部署，27K Star背后的架构设计与代码实战指南
VibeVoice 微软 TTS 语音合成多说话人开源 AI 文本转语音扩散模型 Tokenizer

语音智能体流水线深度拆解：VAD→STT→LLM→TTS 四级管线如何用开源模型复刻 OpenAI Realtime

语音智能体流水线深度拆解：VAD→STT→LLM→TTS 四级管线如何用开源模型复刻 OpenAI Realtime
2026-08-01 09:43:09
深度拆解 huggingface/speech-to-speech 本地语音智能体：VAD→STT→LLM→TTS 四级流水线架构、OpenAI Realtime 兼容协议、打断处理与延迟优化实战
语音智能体 speech-to-speech VAD STT TTS OpenAI Realtime WebSocket 本地部署 AI Agent 流式处理

VoxCPM 深度解剖：扔掉离散 Token 的 TTS——0.5B 小模型如何用「扩散自回归」在连续语音空间里造出真人级声音

VoxCPM 深度解剖：扔掉离散 Token 的 TTS——0.5B 小模型如何用「扩散自回归」在连续语音空间里造出真人级声音
2026-07-26 05:14:43
VoxCPM 深度拆解：OpenBMB 与清华 THUHCSI 联手，扔掉离散语音 token，用端到端扩散自回归在连续语音空间建模。0.5B 参数、RTF 0.17、消费级显卡实时跑，零样本克隆真人音色与情绪。含 LocEnc、层级语义-声学 LM、FSQ 解耦、扩散解码头原理与代码实战、性能优化与选型建议。
VoxCPM TTS 语音合成扩散模型自回归 MiniCPM OpenBMB 声音克隆 Tokenizer-Free 开源

微软 VibeVoice-Realtime-0.5B 深度拆解：300ms 首包延迟的实时 TTS，凭什么用 0.5B 参数「边想边说」

微软 VibeVoice-Realtime-0.5B 深度拆解：300ms 首包延迟的实时 TTS，凭什么用 0.5B 参数「边想边说」
2026-07-24 03:13:10
深度拆解微软刚开源的 VibeVoice-Realtime-0.5B：7.5Hz 双 Tokenizer、next-token diffusion、交错窗口流式架构如何做到 300ms 首包延迟，配 LLM 边想边说管线、WebSocket 服务化与延迟调优实战。
VibeVoice TTS 语音合成微软实时语音扩散模型流式生成开源 Qwen2.5 AI语音

MoneyPrinterTurbo 深度拆解：一个关键词如何端到端跑出一条高清短视频——AI 视频生成流水线的工程内幕

MoneyPrinterTurbo 深度拆解：一个关键词如何端到端跑出一条高清短视频——AI 视频生成流水线的工程内幕
2026-07-14 19:41:50
从 LLM 脚本、Pexels 素材检索、Edge TTS 配音、字幕生成到 FFmpeg 合成，深度拆解 MoneyPrinterTurbo 的端到端 AI 视频生成流水线架构，并附可运行核心代码与规模化性能优化。
MoneyPrinterTurbo AI视频生成短视频自动化 FFmpeg LLM TTS Python 内容创作

VoxCPM 深度实战：当 TTS 告别分词器——零样本语音克隆与扩散模型如何重构语音合成范式

VoxCPM 深度实战：当 TTS 告别分词器——零样本语音克隆与扩散模型如何重构语音合成范式
2026-07-14 14:17:19
VoxCPM 无分词器 TTS 深度实战：从扩散模型架构、上下文感知生成、零样本语音克隆到完整部署，一次讲透 Tokenizer-Free TTS 技术革命
VoxCPM TTS 语音合成扩散模型零样本克隆 OpenBMB Tokenizer-Free 语音克隆 AI音频多语言TTS

CyberVerse：开源实时视频通话数字人平台，一张照片让 AI 活过来

CyberVerse：开源实时视频通话数字人平台，一张照片让 AI 活过来
2026-07-14 11:47:44
CyberVerse是开源数字人Agent平台（GPL-3.0），上传一张照片生成实时视频通话数字人，WebRTC低延迟+语音打断+Agent工具调用/RAG/多Agent协作，支持GPT-4o/Qwen/DeepSeek+FlashHead/LiveAct，无需3D建模，RTX 4090即可运行。
数字人 CyberVerse 实时视频 AI Agent WebRTC 开源 TTS ASR 多模态数字永生

微软VibeVoice深度解析：7.5Hz超低帧率+Next-Token Diffusion如何让AI一口气说90分钟——从TTS-1.5B到ASR-7B的语音AI全家桶实战指南

微软VibeVoice深度解析：7.5Hz超低帧率+Next-Token Diffusion如何让AI一口气说90分钟——从TTS-1.5B到ASR-7B的语音AI全家桶实战指南
2026-07-06 04:43:23
深度解析微软开源VibeVoice语音AI全家桶：7.5Hz超低帧率连续分词器+Next-Token Diffusion框架，TTS-1.5B单次生成90分钟4人对话，ASR-7B单次转录60分钟会议，Realtime-0.5B实现300ms实时响应。含完整代码实战与生产部署指南。
VibeVoice 微软 TTS 语音合成 ASR 开源 Next-Token Diffusion 语音AI

开源封神！网易有道全新TTS太强了！3秒克隆、14种语言无口音、免费商用

开源封神！网易有道全新TTS太强了！3秒克隆、14种语言无口音、免费商用
2026-07-02 13:34:35
网易有道开源Confucius4-TTS，支持3秒极速克隆音色（相似度85%，准确率97%）、14种语言无口音跨语种配音、情绪精准复刻、54GB本地离线部署，Apache开源协议免费商用。
AI TTS 语音合成开源网易有道语音克隆多语言数字人配音

AI驱动的智能客服呼叫中心系统SmartCall，让每一通电话都被智慧对待

AI驱动的智能客服呼叫中心系统SmartCall，让每一通电话都被智慧对待
2026-07-02 13:27:29
SmartCall是一套基于AI大模型+Asterisk的智能客服呼叫中心系统，支持AI智能应答、IVR流程编排、批量外呼、坐席管理，采用Apache-2.0开源协议。
AI 开源智能客服呼叫中心 Asterisk IVR ASR TTS 外呼 Apache

万字深度解析 VibeVoice：当微软开源遇见90分钟连续语音合成——从7.5Hz连续编码器到长篇有声书自动配音的完整技术指南（2026）

万字深度解析 VibeVoice：当微软开源遇见90分钟连续语音合成——从7.5Hz连续编码器到长篇有声书自动配音的完整技术指南（2026）
2026-07-02 11:14:52
深度解析微软2026年开源的VibeVoice语音合成系统：15亿参数、90+分钟连续生成、7.5Hz连续语音编码器、50+预训练音色、8种语言支持，含完整代码实战。
VibeVoice 微软语音AI TTS 语音合成 7.5Hz编码器开源有声书深度学习

万字深度解析 MoneyPrinterTurbo：当 LLM 遇见视频自动化——从 5 步 Pipeline 到 100+ 模型接入的生产级实战（2026）

万字深度解析 MoneyPrinterTurbo：当 LLM 遇见视频自动化——从 5 步 Pipeline 到 100+ 模型接入的生产级实战（2026）
2026-07-01 10:45:38
深度解析MoneyPrinterTurbo开源项目：AI全自动短视频生成框架，涵盖5步Pipeline、100+LLM模型接入、9种TTS方案、FFmpeg视频合成与性能优化实战（2026）
MoneyPrinterTurbo AI视频 LLM 视频自动化短视频开源项目 Python FFmpeg TTS LiteLLM

万字深度解析 Microsoft VibeVoice：当开源遇上前沿语音AI——从 TTS 到 ASR 的全栈语音合成与识别技术革命（2026）

万字深度解析 Microsoft VibeVoice：当开源遇上前沿语音AI——从 TTS 到 ASR 的全栈语音合成与识别技术革命（2026）
2026-07-01 04:12:36
2026年Microsoft Research开源VibeVoice，支持90分钟TTS连续生成、60分钟ASR单次处理。深度解析Next-Token Diffusion架构、7.5Hz超低频Tokenizer、多说话人建模与vLLM推理加速。
VibeVoice Microsoft TTS ASR 语音AI 开源 Next-Token Diffusion LLM Diffusion

VibeVoice 深度实战：当微软把「超长对话语音」开源——从 7.5Hz 连续分词到 Next-Token Diffusion、从 90 分钟 TTS 到 60 分钟 ASR 的生产级完全指南（2026）

VibeVoice 深度实战：当微软把「超长对话语音」开源——从 7.5Hz 连续分词到 Next-Token Diffusion、从 90 分钟 TTS 到 60 分钟 ASR 的生产级完全指南（2026）
2026-06-21 05:52:51
深度解析微软开源语音AI项目VibeVoice：从7.5Hz连续分词器到Next-Token Diffusion架构，从90分钟TTS到60分钟ASR的生产级完全指南。
VibeVoice 语音AI 微软开源 TTS ASR 扩散模型 LLM

VibeVoice 深度实战：当 TTS 遇见扩散模型与 LLM——从 3200 倍压缩到 90 分钟多人对话的生产级完全指南（2026）

VibeVoice 深度实战：当 TTS 遇见扩散模型与 LLM——从 3200 倍压缩到 90 分钟多人对话的生产级完全指南（2026）
2026-06-16 02:16:25
微软VibeVoice深度解析：基于LLM与扩散模型融合的TTS系统，支持90分钟多人对话，3200倍压缩率，300ms流式延迟，完整实战指南。
语音AI TTS 微软开源扩散模型大语言模型音频生成实时语音多人对话

大家都在搜索什么？

devops 易支付一个官网+多少钱统一接受回调统一回调 python sub node 宝塔日志 mysql shell ElasticSearch css vue api接口对接 2025 支付接口对接 go php php回调