ElevenLabs Flash v2.5
PulseAugur coverage of ElevenLabs Flash v2.5 — every cluster mentioning ElevenLabs Flash v2.5 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AssemblyAI 发布面向语音代理的每百万字符 15 美元的 TTS API
AssemblyAI 推出了 AssemblyAI-TTS-1，这是一款专为实时电话呼叫中的语音代理设计的新型文本转语音 API。该服务以每百万字符 15 美元的价格提供具有竞争力的定价，并在自测中声称具有低延迟，首字节中位数为 47 毫秒。虽然它在实体准确性方面表现出与 ElevenLabs v4 相当的水平，但独立基准测试显示，与 Inworld TTS-2 Flash 等竞争对手相比，在延迟和自然度方面结果好坏参半。
-
新的TTS模型实现更低延迟和改进的语音-文本对齐 · 跟踪4个来源
研究人员开发了改进文本到语音（TTS）系统的新方法，重点在于实现更低的延迟以及更好的文本与语音之间的对齐。CTC-TTS 利用基于CTC的对齐器和双词交错策略，在流式合成方面优于传统方法。StreamAlign 通过结合字符级RNN-Transducer 对齐和词级ASR引导，实现了实时流式分词，显著降低了延迟。TontaubeV1 采用分层编解码器建模方法和有界上下文，分离语义和声学流，在实现高效的消费者GPU流式推理的同时，保持了自然的韵律。
-
《堡垒之夜》AI达斯·维达引发语音克隆工会争议
《堡垒之夜》已集成由AI驱动的达斯·维达，其声音由Google Gemini 2.0 Flash和ElevenLabs Flash v2.5生成，模仿了詹姆斯·厄尔·琼斯的声音。该功能于2025年5月16日推出，允许玩家招募并与维达对话，他的声音是对已故演员声音的重现。此项功能的实现面临美国演员工会-美国全国广播电视艺人联合会（SAG-AFTRA）的法律挑战，该工会就Epic Games在配音演员罢工期间未经适当协商使用AI生成配音作…
-
Mistral AI 和 X-Voice 通过新架构推进多语言语音克隆
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。