语音合成

阿里Qwen-Audio-3.0-TTS模型在全球权威榜单中取得领先，标志着AI语音技术进入“表演时代”，具备细粒度标签和20种方言支持能力。

Vapi AI近日推出号称业界最自然的文本转语音（TTS）和最具性价比的语音转文本（STT）API服务，为开发者提供高效语音处理解决方案。

研究人员提出SPARCLE模型，通过对比学习将文本字符与说话人感知的声学特征对齐，显著提升低资源场景下的语音合成质量。

研究者提出基于匹配参考样本的韵律评估框架，通过对比AI语音输出与人类对话数据，量化评估语音语调、语速、停顿等韵律特征，为语音对话系统提供可解释的评估指标。

Vapi AI 发布新一代语音合成与语音识别 API，号称提供最自然的 TTS 体验和最具成本效益的 STT 服务。

Deepgram的语音转文本和语音合成模型现已在Together AI专用模型推理服务中上线，为实时语音智能体提供生产级支持。

通义千问推出新一代旗舰多模态模型Qwen2.5-Omni，实现文本、图像、音频、视频的端到端处理，并支持实时流式响应与语音合成。

通义千问发布Qwen-TTS最新版本，新增支持北京话、上海话和四川话三种方言语音合成，语音自然度达到人类水平。

Mistral AI推出前沿开源语音合成模型Voxtral TTS，该模型具备快速生成、即时适配能力，可为语音智能体提供逼真的人声输出。