专题：tts

VoxCPM 2 是面壁智能推出的 2 B 参数开源语音模型，支持九种中文方言和三十种外语，具备音色可控、48 kHz 高保真和秒级生成等特性。其核心采用扩散自回归连续表征的 Tokenizer‑Free 架构，能够在保持情感与细节的同时实现快速合成。模型已全量开源并提供在线体验，适用于配音、游戏、动画等多场景。

Mistral推出Voxtral TTS语音合成模型，融合自回归生成与流匹配技术，性能超越ElevenLabs。同时披露Forge编码器、Leanstral轻量化模型及Mistral 4研发方向，强调开源协作与企业应用落地。技术团队通过架构创新提升语音生成准确度与效率，布局AI语音技术全栈发展。

多技术平台推出基于CLI的新工具，提升开发者效率。同时，语音模型、实时多模态检索、小型化模型及多代理系统等AI技术取得进展，涵盖基础设施、模型训练与应用优化等多个领域，对AI研究和开发具有重要参考价值。

Google、Mistral、Cohere 与 OpenAI 本周相继发布新模型：Google 的 Gemini 3.1 Flash Live 提供 70 语言、128k 上下文的实时语音视觉代理；Mistral 的开源 Voxtral TTS 支持 9 语言、低延迟，性能媲美 ElevenLabs；Cohere 的 Transcribe 在 14 语言上…

Kitten TTS 发布三款微型TTS模型，参数量低至14M，支持八种声音，可在无GPU设备上运行，显著提升设备端语音合成能力，未来将扩展至多语言。

小米发布MiMo V2系列模型，涵盖文本、多模态与语音合成。MiMo-V2-Pro性能优异，价格仅为同类产品五分之一，采用混合注意力架构和MTP技术。MiMo-V2-Omni具备全模态处理能力，MiMo-V2-TTS实现AI语音化。该系列标志着AI从对话向任务执行的进化，助力‘人车家全生态’整合。

本文探讨了AI语音处理领域一个关键问题：是否存在能同时执行文本转语音（TTS）、语音转文本（STS）及声音分离的集成模型。文章提及Seedance 2.0可能具备部分此类能力，支持文本/音频输入进行语音合成（说话、唱歌），并可训练自定义声音。尽管其具体实现为闭源，但该模型的多功能集成潜力引发了对AI语音模型未来发展方向的讨论，对开发者和研究人员具有参考价值。

作者在使用 KoboldCPP 创作剧情时，需要离线、免订阅的 TTS 工具为不同角色配音，并希望能导出 MP3。EaseText 体验不佳，声音生硬。文章请求社区推荐满足这些需求的本地 TTS 软件或开源项目，并提供相应的获取方式。

本文介绍了一种在 Apple Silicon 设备上实现 AI 代理完全本地化语音交互的方案。通过集成 Parakeet STT 和 Kokoro TTS，实现了低延迟的语音识别和合成，消除了对云服务的依赖。这种方式极大地提升了 AI 代理的使用便捷性，使用户可以随时随地通过语音进行交互。文章还提及了集成 3D 虚拟化身以增强交互的自然感，并邀请社区分享类…

WaveNet 是一种基于深度学习的语音合成模型，通过膨胀卷积捕捉语音信号的长距离依赖，生成高质量自然语音。文章详细解析其架构、训练技巧及应用潜力，适合希望深入理解语音生成技术的开发者。