研究人员推出 X-Voice,一个参数量为 0.4B 的紧凑型模型,能够进行30种语言的零样本跨语言语音克隆。该模型采用两阶段训练流程,结合了统一的国际音标表示和开源资源。另外,Mistral AI 发布了 Voxtral TTS,一个参数量为 4B 的大型模型,结合了自回归和流匹配架构,以解决文本到语音合成中的“表现力差距”。Voxtral TTS 可根据简短的音频提示生成自然、忠实于说话人声音的9种语言语音,并展现出优于现有系统的强劲性能。 AI
影响 来自学术界和商业实验室的新文本到语音模型正在提高语音克隆的保真度和多语言能力,有望增强语音助手和音频内容创作。
排序理由 该集群包含两篇不同的研究论文/发布,详细介绍了新的文本到语音模型。
在 Hugging Face Daily Papers 阅读 →
- ElevenLabs Flash v2.5
- Hugging Face
- International Phonetic Alphabet
- LEMAS-TTS
- Ministral 3B
- Mistral AI
- Qwen3-TTS
- Voxtral TTS
- Whisper
- X-Voice
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →