7 分钟阅读
Step-Audio：阶跃星辰统一语音理解 + TTS
Step-Audio 是阶跃星辰推出的开源模型，将语音识别、对话和声音生成统一在一个系统中，省去了从 ASR 到 TTS 的交接。
Step-Audio语音交互语音理解文本转语音语音智能体开源
阅读更多AI 模型
解读开源与热门 AI 语音模型，并了解如何在 Echora 上体验对应能力。
7 分钟阅读
Zonos TTS：Zyphra 开放权重的表现力语音模型
Zonos 是 Zyphra 推出的开放权重 TTS 模型，使用超过 20 万小时语音训练，可在几秒内克隆声音，并精细控制情绪、音高和语速。
TTS开放权重 TTS声音克隆表现力语音Zonos
阅读更多7 分钟阅读
Orpheus TTS：基于 Llama-3B 的低延迟流式语音 LLM
Orpheus TTS 是 Canopy Labs 基于 Llama-3B 的语音 LLM，具备 200ms 流式延迟、情绪标签和零样本克隆能力，可通过 FastAPI 服务器部署。
Orpheus TTS文本转语音语音 LLM低延迟流式传输表现力语音开源
阅读更多7 分钟阅读
OuteTTS：一个通过 llama.cpp 运行的声音模型
OuteTTS 把语音视为纯语言建模，因此能以 GGUF 格式在 llama.cpp 上原生运行，并可用 10 秒音频克隆声音，共支持 23 种语言。
OuteTTSllama.cppGGUF文字转语音声音克隆多语言 TTS
阅读更多7 分钟阅读
GLM-TTS：智谱富有情感表现力的零样本声音模型
GLM-TTS 是智谱 AI 开源 TTS，将 LLM 与流匹配结合，只需 3 秒即可克隆声音，并通过强化学习提升情感与发音表现。
TTS声音克隆情感 TTS音素控制GLM-TTS
阅读更多7 分钟阅读
Parler-TTS：Hugging Face 的文本描述音色模型
Parler-TTS 是 Hugging Face 的开源 TTS 模型，可通过自然语言描述控制音色、音高和说话风格，无需音频。
Parler-TTS文本转语音Hugging Face自然语言音色控制语音合成开源
阅读更多7 分钟阅读
ChatTTS：为对话打造的中英双语 TTS
ChatTTS 是 2noise 推出的 TTS 模型，针对中英文聊天机器人和助手对话优化，可生成自然的笑声、停顿和语气词。
ChatTTSTTS对话语音中英双语开源模型2noise
阅读更多阅读约 7 分钟
MeloTTS：MyShell 打造、可在 CPU 上运行的多语言 TTS
MeloTTS 是 MyShell 开源的多语言 TTS，支持 CPU 实时推理，并可在同一句语音中自然进行中英文语码转换。
MeloTTS多语言 TTSCPU TTS语码转换语音合成开源模型
阅读更多阅读约 7 分钟
Piper TTS：面向树莓派的超轻量语音合成
Piper TTS 是一款拥有 1500 万参数、仅凭 CPU 即可实时运行的神经语音模型，专为树莓派和其他边缘设备打造，无需 GPU。
Piper TTS文本转语音树莓派边缘 AICPU TTS
阅读更多6 分钟阅读
NaturalSpeech 3：微软的因子化零样本 TTS 模型
NaturalSpeech 3 将语音拆分为独立的内容、韵律、音色和细节子空间，使微软这款 TTS 模型可以分别控制每一项属性。
NaturalSpeech 3TTSFACodec因子化扩散零样本语音合成Microsoft Research
阅读更多7 分钟阅读
NaturalSpeech 2：微软的零样本歌声合成 TTS 模型
NaturalSpeech 2 在连续音频编码上采用潜在扩散，让微软这款 TTS 模型仅凭一段说话声音提示，就能生成零样本歌声。
TTSNaturalSpeech 2零样本歌声合成声音克隆潜在扩散Microsoft Research
阅读更多7 分钟阅读
NaturalSpeech：微软达到人类水平质量的 TTS 模型
NaturalSpeech 是微软基于 VAE 的 TTS 模型，它正式定义了人类水平质量，随后在 LJSpeech 数据集上通过了自己提出的统计检验。
NaturalSpeechTTSVAE人类水平语音合成Microsoft Research
阅读更多