#TTS
共 18 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。
Kitten-TTS 2开源发布：1.58比特TTS，CPU实时运行带声音克隆
KittenML 开源 Kitten-TTS 2，世界首个 1.58 比特 TTS 模型，1.7B 参数三值权重，仅靠 CPU 即可实时合成语音，支持 5 秒零样本声音克隆、20+ 语言及情感重音控制，是低成本自托管 TTS 的新选择。
Mistral发布Voxtral 3：语音转文字、TTS与语音Agent SDK
Mistral AI 发布 Voxtral 3，包含 3 款语音转录模型、1 款 TTS 模型和基于 LiveKit 的语音 Agent SDK。Voxtral Small Transcribe 3 的 AA-WER 为 2.1%，在 Artificial Analysis 排名第三。
语音AI入门指南：TTS、声音克隆与ElevenLabs实战
面向开发者的语音AI入门指南：讲清传统TTS与神经TTS的差异、声音克隆四步流程，并用ElevenLabs的Python/Node.js/cURL示例演示文本转语音与语音聊天机器人搭建。
用TTS生成真实考试听力：多音色、停顿与时间戳全解析
从零构建考试听力练习：用 ElevenLabs TTS 逐片段生成多音色语音，以 ffmpeg 拼接并提取精确时间戳，显式控制读题停顿与第二遍播放，实现文本逐行高亮同步。
8GB显卡上的本地语音助手：让LLM为TTS让路，消除卡顿
开发者分享在RTX 4060 Laptop 8GB显存上运行本地语音助手的优化经验：让LLM写完一句暂停、TTS全速合成后再继续，首音频延迟从3.9秒降至2.3秒，卡顿从平均2.84秒降至0.09秒，并详细分析GPU资源竞争与显存优化策略。
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。
用TTS API给无脸视频加配音：多语言接口实测指南
介绍如何用Multilingual Text-to-Speech API为无脸视频快速添加多语言配音，支持9种语言54种音色，附curl请求示例和RapidAPI免费额度使用建议。
用 ElevenLabs 为 WordPress 网站加上 AI 语音播报功能
手把手教你用 ElevenLabs 的 TTS 与声音克隆 API 为 WordPress 网站添加 AI 语音播报功能，包含插件代码、短代码嵌入、前端点击收听控件及缓存调优技巧。
语音AI的延迟问题：为何重要及如何优化
深入解析语音AI中的延迟问题：延迟如何产生、为何影响用户体验，以及通过流式TTS、缓存、预取、本地模型和网络优化等实战策略把延迟压缩到毫秒级，并附ElevenLabs代码示例。
用Gemini TTS打造免费乌尔都语AI语音：踩过的三个坑
巴基斯坦团队用 Gemini TTS 构建免费乌尔都语 AI 语音功能，复盘选型测试与三个关键 bug：语音读出指令、WAV 双重封装噪音、WhatsApp 语音截断，并分享免费开放又控制成本的架构经验。
Google推出Gemini 3.8 TTS：从预设声音到全自定义语音工作室
Google推出Gemini 3.8 Flash TTS与Flash-Lite TTS两款文本转语音模型，支持从零设计自定义声音、逐行导演表演、双人对话编排，覆盖100多种语言，并配备SynthID水印和同意验证等安全机制。
Voxtral TTS发布：开源权重语音合成新前沿
Mistral发布Voxtral TTS开源权重语音合成模型，支持9种语言与方言、情感表达自然、延迟极低，并可便捷适配新音色，为开发者提供可本地部署的高质量TTS选择。
产品体验小米mimo-v2-tts踩坑实录：文档矛盾、标签误读、音频串流三大BUG
深度复盘小米mimo-v2-tts语音合成模型的实际使用体验，揭示文档中括号与圆括号标注矛盾、音频标签内容被错误朗读、后端请求串流返回无关音频三大严重问题，并给出开发者避坑建议。
教程攻略Xcode MCP + Claude Sonnet 4 实战：零代码开发Mac TTS应用全流程
详解使用Xcode MCP服务配合Claude Sonnet 4模型，纯AI生成代码开发Mac本地TTS文本转语音应用的完整过程，涵盖开发环境配置、macOS设计规范加载及实际效果展示。
产品体验Inworld Realtime TTS-2：全栈实时语音AI基础设施深度解析
深度解析Inworld发布的Realtime TTS-2全栈语音AI平台，涵盖排名第一的TTS引擎、语音到语音处理、LLM路由等核心能力，以及其在语音代理、AI伴侣等场景的应用价值。
教程攻略MoS-TTS-Nano部署教程：0.1B超轻量TTS模型CPU即可运行
经实战验证的MoS-TTS-Nano本地部署教程，0.1B参数超轻量TTS语音合成模型无需GPU，四核CPU即可流畅运行。涵盵Conda环境配置、pynini安装踩坑解决、模型下载及Gradio WebUI启动全流程。
产品体验百聆：开源语音助手800ms低延迟，媲美GPT-4o对话体验
百聆（bailing）是一款基于ASR+LLM+TTS架构的开源语音助手，集成DeepSeek R1大模型，端到端延迟仅800ms，支持打断对话，可在Mac等低配设备流畅运行，助你打造私有化个人AI语音助手。