谷歌为移动平台 Gemini 应用推出 66 种地区语音,覆盖 7 类语言,重点还原英式、印度英语等真实地方口音与语速节奏。该能力同时适用于 Gemini Live 对话与文本转语音播放,用户可在语音设置或对话中切换。
文本转语音
TTS
将文本转换为自然语音的接口能力,与 ASR 一同首次开放
收录情报动态
DeepSeek 正式开放全家桶应用 API,将联网搜索、深度思考搜索、文件上传、链接阅读及首次开放的语音识别与合成能力拆分为独立接口,支持单独调用与分别计费。官方称开发者可 1:1 复刻完整 DeepSeek App,并同步开源轻量级聊天前端 Demo。相比 10 月需自行串联工具调用的 Search/Fetch 接口,新接口由模型自动完成搜索决策与多步衔接。
DeepSeek 将自家 App 背后的完整能力通过 API 开放,开发者用少量参数即可启用联网搜索、文件与 PDF 解析、链接读取、内容安全过滤和语音能力,也可单独调用 OCR、ASR、TTS 等独立接口。官方同时提供开源前端 Demo,支持导入 DeepSeek 历史对话,意味着开发者可近乎复刻整个 DeepSeek App。
Underdog 发布仅 31.7MB 的文本转语音模型 Woof,并以其为核心做了一款可在浏览器直接运行的小游戏作为演示,主打端侧本地推理、对标云端方案。该公司同时透露一款可在笔记本上运行的 270 亿参数模型及本地化应用。
Gradium 团队在 Hugging Face 发布开源小型 TTS 模型 Phonon,完全在本地设备运行,无需服务器与网络,用户输入内容不出设备。官方称其在 Hugging Face Open TTS Leaderboard 上表现领先,并同步开放在线 Demo 供试用。
开发者 Joey 展示了一个完全离线的家庭语音助手原型,采用 DeepSeek V4.1 Flash 负责推理,Ming-3.0 模型分别处理语音识别(ASR)和合成(TTS)。该方案运行在 NVIDIA DGX Spark 和 Mac mini 上,实现了零云端依赖的低延迟交互。目前代码仓库尚未公开,仅处于个人演示阶段。
Voice Arena 推出新基准测试 Turing TTS,旨在将“人类相似度”与“用户偏好”分离评估。结果显示,即使是表现最佳的 Gemini 3.8 Flash TTS 模型,在盲测中仅有约 10% 的概率被误认为是真人语音,表明当前 AI 语音在拟真度上仍有显著差距。
Fish Audio 发布 Drama 3,在 Artificial Analysis 语音竞技场中成为排名第一的开源权重模型。该模型在发音鲁棒性基准测试中以 94.6% 的成绩位居所有模型之首,并提供极具竞争力的每百万字符 15 美元定价。
Anthropic Opus 5.5 发布后,AI Agent 已能自主完成复杂视频剪辑任务,效率提升显著。模型通过生成 HTML/CSS/JS 代码实现“以码剪片”,大幅降低了对外部 Skill 和专用编辑器的依赖,标志着视频制作正走向自动化与代码化。
Ollama在Mac应用中正式支持文本转语音(TTS),首个模型为Gradium Phonon。该功能利用Apple Silicon的MLX框架实现本地运行,相比原方案速度提升最高35%,并支持实时流式生成与多语言口音选择。