#语音合成
共 27 篇相关文章
可控语音合成：让有声书角色声音更生动一致
可控文本转语音技术让有声书语音更具表现力，角色声音更清晰一致。本文分析其技术逻辑、对有声书制作流程的影响及当前局限。
503段语音的丛雨桌宠：开源可自定义，一点就喊「狗修金」
B站开发者将《千恋＊万花》丛雨做成开源桌面宠物，内置503段语音合成台词，点击即播放「狗修金」，支持顺序/随机/重复三种模式、语音收藏过滤、多角色自定义与按库保存配置。
v0.40.9 更新：正式支持 Gradium Phonon GA 检查点
开源语音推理项目 v0.40.9 更新解析：Gradium Phonon 检查点从预发布格式切换至 GA 正式格式，新增默认音色导入与语音条件控制，最低版本要求提升至 0.40.9，旧检查点将被拒绝加载。
12MB端侧TTS新选择：SteerTTS-edge支持200音色与50种风格
SteerTTS-edge是仅有12MB的端侧TTS模型，采用int4量化感知训练，支持200种音色、50种风格标签和12项数值韵律控制，英语场景下RTF 0.053，适合移动端与嵌入式部署。
11.84MB可调控TTS模型发布：WER不变，UTMOS仅降0.1
WhissleAI发布SteerTTS边缘版，全部打包仅11.84MB，WER保持0.96%不变，UTMOS仅下降约0.1，支持12维数字调控与50种风格标签，CPU上19倍实时。
ElevenLabs实时翻译：90+语言同传，单一WebSocket搞定语音到语音
ElevenLabs 推出 Realtime Translation 实时翻译产品，支持 90+ 语言，通过单一 WebSocket 将实时语音转为带情感的目标语言音频，保持音色一致，面向电信、呼叫中心和现场活动场景。
1.9M参数语音克隆TTS引争议：Kyutai新模型被指自审查
Kyutai Labs 的 Pocket TTS 以 1.9M 参数支持语音克隆，体积惊艳但被用户发现新模型会自动过滤脏话。GitHub issue 被标记 not planned 关闭，引发社区对开源模型内置审查的争议。本文分析其技术意义、过滤层位置之争及轻量 TTS 的竞争格局。
用ElevenLabs API快速构建AI语音信箱生成器
本文介绍如何用ElevenLabs API构建语音信箱生成器，涵盖API密钥获取、Python与Node.js实现、模板填充、声音克隆和Flask部署，帮助开发者快速将文本转为高质量MP3语音留言。
用ElevenLabs构建交互式音频故事生成器
手把手拆解如何用语言模型加ElevenLabs TTS搭建交互式音频故事生成器：从提示词生成带角色标签的剧本，到声音克隆、Flask后端合成、React前端顺序播放，附延迟、成本与安全优化建议。
用ElevenLabs打造语音无障碍工具：TTS与声音克隆实战
基于ElevenLabs平台，从零搭建语音无障碍工具的完整教程：涵盖语音识别、文本转语音、声音克隆三大模块，附Python与JavaScript代码示例、端到端流程、边界情况处理与部署建议。
独立开发者如何用Flask打造多语言AI语音聊天应用
独立开发者用 Flask、GLM 和 faster-whisper 构建支持 24 种语言、自定义角色的 AI 语音聊天应用 IboChat。本文解析其三级语音管线、单 GPU 双模型冲突的解决方案、冷启动降级策略与真实成本，为 AI 语音应用开发者提供可复用的工程经验。
TTS 应用边界情况处理实战：长文本、表情符号与限流
TTS 应用上线后常见边界情况如何处理：长文本切分与停顿拼接、表情符号和 Markdown 清洗、429 限流指数退避重试、语音克隆生僻词 SSML 标注，以及生产环境健康监控，附 Python 与 curl 实战示例。
Fish Audio发布Drama 3：35B开放权重MoE语音合成模型
Fish Audio发布Drama 3，35B参数MoE文本转语音模型，激活参数约3B，覆盖83种语言，开放权重采用营收上限社区许可，支持自然语言指令控制语音风格。
免费与付费TTS API对比：开发者选型指南
对比免费与付费 TTS API 的取舍：Google、Amazon、Azure、eSpeak 与 ElevenLabs 的音色、延迟、价格差异，附选型七维度与 Python 集成示例，帮助开发者做出生产级决策。
Fish Audio Drama 3 登陆 AI Gateway：用自然语言导演语音表演
Fish Audio 文本转语音模型 Drama 3 上线 AI Gateway，支持用自然语言指令导演语音情绪与节奏，可标注 whisper、emphasis 标签，支持多语言指令和多角色对话，30 天内享 80% 折扣。
构建可扩展语音合成系统：生产级TTS架构实战
一套生产级可扩展TTS语音合成系统的完整架构实战：涵盖API网关、任务队列、合成Worker、缓存与流式交付，附Python与JavaScript代码示例及扩展、监控、成本控制要点。
ElevenLabs + React 实战：打造语音交互界面
手把手教你用 React 和 ElevenLabs 构建语音交互 UI：封装 useElevenLabs Hook、实现文本转语音回放、接入声音克隆，并附上限流、移动端自动播放与 API Key 安全等实战踩坑指南。
ElevenLabs发布Eleven v4与v4 Turbo：更快更富情感的语音模型
ElevenLabs推出Eleven v4与Eleven v4 Turbo两款AI语音模型，前者主打情感表现力，后者专为实时场景优化。本文解析两款模型的定位差异、应用场景及对开发者和创作者的意义。
Firebase AI Logic 集成 Gemini TTS：多说话人语音合成实战
Firebase AI Logic 现已支持 Gemini 文本转语音（TTS）模型，提供多说话人语音配置能力。开发者可为不同角色映射不同音色，在单次调用中生成无缝多角色对话音频，无需管理复杂音频管线。
Gemini 3.8 Flash TTS发布：定制语音与规模化部署双管齐下
Gemini 3.8 Flash TTS发布：定制语音与规模化部署双管齐下
Google发布Gemini 3.8 Flash TTS与Flash-Lite TTS两款文本转语音模型，前者支持定制独特口音与语音特征，后者面向高效率大规模部署，为开发者提供从设计到落地的完整语音方案。