开源TTS
Audio8的新TTS模型免费克隆11种语言的语音
Audio8以Apache 2.0许可发布Audio8-TTS预览版，这是一个0.6B参数的模型，支持11种语言、零样本语音克隆，并捆绑了44.1 kHz编解码器。该发布针对需要速度和隐私的边缘语音应用。
Audio8的新模型模糊了云端与本地语音合成之间的界限。今天发布的Audio8-TTS预览版拥有6亿参数，支持11种语言的零样本语音克隆，捆绑了44.1 kHz音频编解码器，全部遵循Apache 2.0许可证，与41位签署者刚刚在一封公开信中捍卫的开放权重运动保持一致。
凭借6亿参数，该模型可在消费级硬件上运行，并能从短样本中克隆语音而无需微调。Audio8称其为需要速度、覆盖范围和隐私的语音应用程序提供了单一栈。运行在本地意味着音频不会离开设备，这是企业部署越来越需要的隐私优势，如一项AI基础设施策略比较中所涵盖的。
小型语音模型正在快速追赶。Voxtral Realtime是一款开源流式ASR模型，今年早些时候以480毫秒的延迟匹配了Whisper的质量。阿里巴巴的Qwen2.5-Omni可在手机上运行。Nvidia的Cosmos 3 Edge同样将世界建模压缩到40亿参数用于设备端任务，在其尺寸类别中于VANTAGE-Bench排名第一。Audio8的做法是生成式的：它创造语音而非转录。凭借6亿参数，它保持在10亿以下，而大多数开源TTS模型位于此标记之上，并且零样本克隆可从英语扩展到普通话。
捆绑的44.1 kHz编解码器消除了对单独声码器的需求，并默认提供清晰输出。该
每天早晨用 3 分钟掌握科技要闻
每个工作日一封邮件，只讲真正重要的 AI 与科技动态。