AI语音TTS – XROBOT

谷歌最新推出的 Gemini 3.1 Flash TTS，是一款面向工业化场景的新一代文本转语音模型，凭借顶级音质、精细可控性、多语言支持与内置安全水印，迅速登顶 TTS 行业排行榜，成为有声内容、AI 助手、影视游戏等场景的强力解决方案。...

Mistral Voxtral TTS — 3秒语音克隆+开放权重，但不支持日语

分析Mistral于2026年3月发布的4B参数开放权重TTS模型Voxtral：盲测中以更自然语调击败ElevenLabs Flash v2.5，3秒音频即可完成零样本语音克隆，且仅需8GB显存本地运行。然而日语和韩语的缺席是进军亚洲市场的致命短板。详解CC BY NC 4....

在发出我的 OpenClaw 可以开口说话｜NoizAI 技能安装使用教程后，有朋友问：Noiz 有本地吗？我说：NoizAI是个在线的。本地转语音需要安装文本转语音的模型。想看的话，我可以找找。...

法国 AI 公司 Mistral 于 2026 年 3 月 26 日发布了一款全新的开源文本转语音（TTS）模型——Voxtral TTS。这款模型专为企业级语音助手和客户服务场景设计，...

数字人视频制作最难的是两点：口型要准、全身/表情要自然一致。传统“口型对嘴”方法通常只改嘴巴区域，导致表情割裂、身体僵硬；而直接用通用 I2V 模型做长视频，又容易漂移、掉 ID、颜色偏移。...

编者按：AI 自动生成播客早已不是新鲜事，但常见的 AI 播客只局限于几分钟的双人对话，这是因为传统语音生成模型大多基于离散化方法，更擅长生成短句、单一音色、结构规整的语音内容。近日，微软亚洲研究院提出了一种全新的语音生成模型 VibeVoice。...