TAG:语音合成
国家安全部揭秘语音深度合成三大风险
AI语音克隆技术正快速渗透社会，短短三至五秒的样本即可精准复刻声音，国家安全部披露三大风险：熟人诈骗、名人带货侵权及公职人员声音伪造。文章揭秘高危场景与法律责任，呼吁提升声纹保护意识，守护真实声音不再被滥用。
2 
0
千问发布语音合成大模型Qwen-Audio-3.0-TTS：支持自然语言直接控制，实时版首包延迟降至300毫秒
文章介绍千问发布语音合成大模型Qwen-Audio-3.0-TTS，主打用自然语言直接控制语气、节奏与风格，降低语音生成门槛。同时推出实时交互的Flash版和高音质的Plus版，分别覆盖语音助手、实时问答及有声书、配音等场景。
通义千问Qwen-Audio-3.0-TTS正式开放：首包延迟300ms 支持20种方言
阿里通义千问发布Qwen-Audio-3.0-TTS，首包延迟仅300ms，支持Flash和Plus双版本。Plus版在Artificial Analysis Speech Arena全球第一，平均说话人相似度82.75；Plus版覆盖16种语言及20种中文方言，通过自然语言指令实现细粒度语音控制，支持高噪声鲁棒性与48K高清音频。已全面开放，助力实时语音交互与内容创作。
xAI全面升级Grok Voice，新增21款多语言旗舰语音
xAI对Grok Voice系统进行重大升级，一次性推出21款全新旗舰级语音，覆盖客服、教育、广告等多领域。同时深度优化原有5款经典语音，提升自然表达。新增Grok Voice Agent Builder平台，支持实时语音智能体API和TTS API，原生多语言支持超25种语言，并引入精细节奏控制标签。开发者可通过Playground免费试用。
微软开源语音AI VibeVoice 单次处理90分钟多说话人对话 GitHub获27K星
微软开源了前沿语音AI家族VibeVoice，包含自动语音识别(ASR)和文本转语音(TTS)模型，支持长达90分钟的多说话人对话处理，GitHub已获27K Star。项目采用MIT许可，支持本地部署，无需云端费用，为语音合成领域带来创新突破。
AI革新影视配音 通义开源Fun-CineForge攻克多人对话
通义实验室开源影视级多场景配音大模型Fun-CineForge，突破传统AI配音瓶颈，实现口型同步、情绪表达、音色一致性和时间对齐四大核心挑战。该模型首次引入时间模态，结合视觉、文本和音频多模态融合，填补了多人对话配音的空白，在影视、动画等高要求场景中表现卓越。
阿里通义千问开源Qwen3-TTS：97ms超低延迟 3秒克隆音色 改变实时AI语音格局
阿里通义千问团队开源Qwen3-TTS语音合成模型，采用端到端架构实现97ms超低延迟，支持3秒音色克隆和跨语言迁移，并能通过自然语言指令设计全新音色。该模型提供1.7B和0.6B双版本，适用于实时交互、多语言内容创作等场景，大幅降低AI语音应用门槛。
智元机器人携手MiniMax推出全模态AI机器人
智元机器人与MiniMax达成深度合作，将AI语音技术与机器人结合，打造拥有专属人设和个性化交互的全模态AI机器人。通过定制化提示词策略和音乐生成模型，提升用户沉浸感，满足家庭、办公等多场景需求。
智元联手MiniMax打造个性化机器人
MiniMax与智元机器人达成战略合作，为后者提供从文本到语音的全流程AI技术支持，实现深度定制的交互体系和“千人千面”的个性化音色合成。此次合作标志着具身智能从“硬核运动”向“情感交互”迈出关键一步，将提升人形机器人在导览、养老及商业服务等场景中的用户体验。
Resemble AI 开源旗舰 TTS 模型 防伪水印助力商业应用
Resemble AI开源旗舰级TTS模型Chatterbox Turbo，仅需5秒参考音频即可精准克隆语音，延迟低至150毫秒，性能超越闭源竞品。模型内置防伪水印功能，支持商业化应用，旨在重塑语音合成市场格局。
阿里巴巴发布Qwen新模型 三秒音频即可克隆声音
阿里巴巴Qwen团队发布两款创新AI语音模型：Qwen3-TTS-VD-Flash可根据文本描述生成定制化声音，支持情感和节奏控制；Qwen3-TTS-VC-Flash仅需3秒音频即可克隆声音，支持十种语言，性能超越竞争对手。两款模型均通过阿里云API提供，适用于广告、配音及多语言声音复制等场景。
谷歌Gemini TTS 2.5发布：支持24种语言与情绪化语音
Google正式推出Gemini TTS 2.5文本转语音模型，主打情绪级表达、上下文自适应节奏及24语种多角色对话功能。新模型可一键切换音色与语速，适用于有声书、游戏NPC等场景，显著提升语音自然度与沉浸感。开发者现可免费测试，预计2025年第一季度投入生产环境。
阿里推出Qwen3-TTS语音合成模型 49种音色可选
阿里通义千问发布新一代语音合成模型Qwen3-TTS，免费向全球开发者开放。该模型提供49种多角色音色，支持10种主流语言和10种中国方言，在词错误率（WER）上表现优异，拟人化程度高。具备自适应语速、实时流式合成等功能，适用于播客、有声书、游戏NPC等多种场景，且默认支持商业用途，无需额外授权费。
Qwen3-TTS升级 多样化声音提升语音合成自然度
Qwen3-TTS语音合成模型迎来全面升级，新增超过49种高品质音色，覆盖不同性别、年龄和地域特征，支持10种主要语言及多种方言，显著提升语音自然度和拟人化效果。通过简单易用的API接口，用户可轻松生成流畅自然的语音内容，满足多样化场景需求。
阿里Qwen3-TTS发布：49种音色支持10语9方言，准确率超越主流商用模型
阿里巴巴推出Qwen3-TTS语音合成模型，支持49种音色、10种语言和9种方言，实现零样本多角色切换。该模型在WER基准测试中超越主流商用引擎，提供免费额度并已上线阿里云，适用于教育、客服、直播等场景。
