跳到正文

#语音

今日 0 条
9月30日周三
  2. xAI：News（网页）64

    xAI 发布 grok-voice-think-fast-1.0 旗舰语音模型并开放 API

    xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，可通过 API 使用。该模型面向客服、销售等复杂多步骤语音工作流，原生支持 25+ 种语言，在 τ-voice Bench 排行榜上排名第一。后台推理不影响响应延迟。该模型已为 Starlink 提供电话客服与销售：销售转化率 20%，客服自主解决率 70%，单个智能体使用 28 个工具。

    推荐理由：官方给出了基准成绩、多语言支持和 Starlink 实际运营数据，可帮助读者评估这款语音模型在真实客服场景的可用性。

  3. xAI：News（网页）62

    xAI 推出 Custom Voices，可克隆声音用于 Grok TTS 和 Voice Agent API

    xAI 推出 Custom Voices，录制约一分钟自然语音即可在两分钟内克隆声音，并可在 Grok Text to Speech 和 Voice Agent API 中使用。自定义声音继承全部 TTS 能力（speech tags、多语言输出、REST 与 WebSocket 流式），不额外收费。声音需通过口令朗读和说话人嵌入比对的两阶段验证，无法从已有录音克隆，也无法克隆他人声音。

    推荐理由：xAI 官方说明克隆流程、验证机制和 API 覆盖范围，读者可据此评估在语音应用中的可用性。

  4. xAI：News（网页）66

    xAI 发布 Voice Agent Builder 测试版：无需代码即可在 Grok Voice 上搭建生产级语音智能体

    xAI 宣布 Voice Agent Builder 进入测试版，这是一个运行在 Grok Voice 上的无代码平台，官方称约两分钟即可配置出可用的语音智能体。

    推荐理由：官方给出了完整功能、τ-voice Bench 排名和每分钟计费细节，读者可以据此评估它替代多 API 拼接语音方案的可行性。

  6. xAI：News（网页）68

    xAI 发布 Grok Voice Think Fast 2.0 语音模型

    xAI 发布 Grok Voice Think Fast 2.0，称其在 Artificial Analysis 语音到语音质量指数达 82.9%，高于上代 75.7% 及对比模型；出声延迟 0.70s，转录准确率较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0×，推理 token 效率为上代 0.4×。

    推荐理由：原文给出 Artificial Analysis 对比数据和价格迁移细节，读者可据此评估它在语音智能体场景的替换成本。

  9. Suno：Blog（网页）76

    Suno 发布 v3 音乐模型

    Suno 发布 v3 模型，称其为首个能生成广播级音乐的模型，可在数秒内生成完整的两分钟歌曲，现已向所有用户开放（https://app.suno.ai）。改进包括更好的音质、更多风格和流派、更高的提示词遵循度（更少模型幻觉、更自然的结尾）。模型不识别对其他艺术家的引用，并采用专有的不可听水印技术检测 Suno 生成的歌曲；v4 已在开发中。

    推荐理由：官方说明 v3 在音质、风格和提示词遵循上的具体改进，并介绍了水印防滥用机制，可帮助读者了解其能力边界。

  10. Suno：Blog（网页）61

    Suno 推出 Audio Input 功能，任意声音都能生成歌曲

    Suno 发布 Audio Input 功能，Pro 与 Premier 用户可上传或录制音频，从任意声音生成歌曲。片段需在 6 至 60 秒之间，上传后可选择 Extend、设置时间戳、提供曲风并自备歌词。平台表示将屏蔽版权作品上传，含人声的输入将保持私密且不可搜索。

    推荐理由：官方说明了音频上传的使用方式与隐私限制，用户可据此判断如何把自己的声音素材变成 Suno 歌曲。

  11. Suno：Blog（网页）64

    Suno 发布 v4 音乐生成模型，面向 Pro 和 Premier 用户开放测试

    Suno 发布 v4 音乐生成模型，带来更干净的音频、更精准的歌词和更多样化的歌曲结构。新增 Remaster 可将旧模型曲目升级为 v4 音质，新增歌词助手 ReMi，改进封面生成，且 Covers 和 Personas 功能已由 v4 驱动。v4 目前以 beta 形式面向 Pro 和 Premier 用户开放，可在 suno.com 和 iOS 上使用。

    推荐理由：原文来自 Suno 官方，列出了 v4 的具体新功能和可用范围，读者可以据此判断是否升级使用。

  12. Suno：Blog（网页）37

    Suno 正式推出 Android 版

    Suno 正式登陆 Android，这是其首个 Android 版本，用户可通过文字提示词创作音乐、发现社区新曲目并分享作品。该版本已包含核心功能，官方表示后续还将持续更新。

  13. Suno：Blog（网页）79

    Suno 与 Warner Music Group 达成合作，将用授权音乐训练新一代模型

    Suno 宣布与 Warner Music Group（WMG）达成合作，将基于高质量授权音乐构建超越 v5 的新一代模型，并推出由 WMG 艺人自愿授权的互动创作体验，参与艺人可获得补偿。产品方面，下载功能保留但需付费账号并按档位限制每月下载次数，Suno Studio 维持不变且保留无限下载。

    推荐理由：Suno 官方宣布与 WMG 合作，读者可以据此了解授权模型、粉丝互动与下载政策变化如何影响平台使用方式。

  16. Suno：Blog（网页）55

    Suno 发布 Voices 使用指南，给出 6 条提升音色质量建议

    Suno 官方发布 Voices 功能的 6 条使用建议，帮助用户获得更高质量的声音效果。建议包括在安静环境录音、录音前练习、不必追求完美、尽量录制更长参考音频（至少一分钟）、根据曲风匹配声音，并尝试不同曲风。Voices 现已在 Web、iOS 和 Android 上线，可免费试用，付费方案提供更多功能。

  20. Liquid AI 模型与工程博客（网页）21

    Liquid AI 面向汽车行业的本地多模态车载 AI 助手方案

    Liquid AI 推出面向汽车行业的车载 AI 助手方案，其多模态模型完全运行在量产车已有的 CPU 和 NPU 上，无需云端依赖或新增硬件。方案采用边缘优先的 SLM 与混合智能体架构，单个模型支持 20+ 种语言，速度达现有方案的 5 倍，可实现亚秒级响应与自然语音、座舱视觉交互。

  21. Liquid AI 模型与工程博客（网页）36

    Liquid AI 开源 LFM 与 LEAP SDK 示例、教程及配套工具仓库

    Liquid AI 在 GitHub 上公开了基于 LFM 基础模型和 LEAP SDK 的示例、端到端教程与应用仓库，获 2.5k star。同批仓库还包括语音到语音模型 Liquid Audio、用于减少模型重复循环的偏好数据生成训练工具 Antidoom，以及 LFM 全流程定制仓库和 LeapSDK 的 Kotlin 示例应用。

  34. Baseten Base Labs：模型研究58

    Baseten 上线 Qwen3-TTS-12Hz 语音合成模型部署

    Baseten 发布 Qwen3-TTS-12Hz 流式文本转语音模型，支持十种主要语言、3 秒参考音频快速克隆音色，并可依据文本内容调整语气、节奏和情感表达。模型支持流式与非流式生成，收到单个字符即可输出首个音频包，提供 0.6B 和 1.7B 两个 Base 版本模型卡，页面附有基于 WebSocket 的完整调用脚本，可进行语音管理和 PCM 流式合成。

  37. Baseten Base Labs：模型研究23

    VoxCPM2 语音缓存演示：/v1/audio/speech 接口复用参考音频

    Baseten Base Labs 发布 VoxCPM2 语音缓存演示客户端，通过 /v1/audio/speech 接口验证参考音频复用。首次请求发送 voice 名称加 ref_audio，服务端将其存为已上传语音并预热 ref_audio_feat 缓存；后续请求仅传同一 voice 名称即可命中缓存。客户端支持 wav、pcm、flac、mp3、aac、opus 格式及流式输出。

  38. Baseten Base Labs：模型研究49

    Orpheus TTS：Canopy Labs 的实时流式语音模型

    Canopy Labs 推出 Orpheus TTS（Orpheus v1），为其 Orpheus TTS 的继任模型，需以约 83 tokens/秒生成才能实现实时流式输出。该实现支持流式生成，在 H100 MIG GPU 上可支持 16 路并发实时流（可变流量）、24 路并发实时流（稳定流量），以及 128 路并发非实时生成以进行低成本批处理。

  39. Baseten Base Labs：模型研究27

    Baseten Orpheus 3B 的 WebSocket 流式 TTS 接入示例

    Baseten 发布 Orpheus 3B 的 WebSocket 接入示例：客户端先发送含 voice、max_tokens、buffer_size 的 JSON 元数据，再通过同一连接逐词流式发送文本，服务端返回原始音频字节。示例用 `__END__` 哨兵标记文本结束，音频以 24000 采样率、paInt16、单声道播放，代码基于 aiohttp 与 pyaudio。