Fish Audio Drama 3 完整解析：可執導的 35B 開源權重 TTS 模型與 32GB 顯卡本地部署指南
Fish Audio 於 2026 年 10 月 13 日發布的新一代旗艦模型 Fish Audio Drama 3，將「劇本執導」與「單詞級局部修音」帶入開放權重領域。本文整理模型架構、五種導演控制語法、效能資料與 32GB 顯卡本地部署指南。
1510 月
主題選讀
#音訊
關於 音訊 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 1 / 3 頁Cloudflare 推出多模態決策模型 Clef-omni：支援音訊與影像輸入，同步調降 Clef-flash 費用與提升推論速度
Cloudflare 發表支援音訊、影片、圖片與文字輸入的多模態決策模型 Clef-omni，以 Qwen3-Omni 為基礎架構，省略自由文字生成步驟，直接對指定題目計算選項機率。同時，官方宣布將託管版 Clef-flash 的輸入費用調降至每百萬 Token 0.038 美元， …
騰訊開源 5B 全模態解析模型 Youtu-Parsing-Omni：統一架構處理文件、圖表、音訊與影片
騰訊優圖實驗室發布 50 億參數規模的全模態結構化解析模型 Youtu-Parsing-Omni，主打單一編碼器與統一 OmniSchema JSON 輸出格式。
輕量級語音複製模型 Sopro V2 Turbo：120M 參數實現瀏覽器端串流 TTS
Sopro V2 Turbo 是一款僅有 120M 參數的開源文字轉語音（TTS）模型，支援零樣本聲音複製與即時音訊串流。本文深入探討其架構特性、跨平台推論表現、Python 與瀏覽器端部署方式，以及實際應用時的技術限制。
讓 ESP32-S3 開口說話：Lokutor 推出 4.9MB 邊緣串流語音模型 Ito
Lokutor 針對 ESP32-S3 微控制器推出串流語音合成模型 Ito，以約 440 萬參數與 4.9MB 的 int8 模型規格，嘗試在不依賴雲端連線的低成本晶片上輸出 24kHz 語音。本文整理 Ito 的架構設計、QEMU 模擬測試現況，以及 GPLv3 程式碼與非商業授權權重 …
在 5 美元晶片執行開放詞彙辨識：ESP32-S3 離線語音專案 Oído 技術解析
開源專案 Oído 成功在約 5 美元的 ESP32-S3 微控制器上，運行完整的 Conformer 開放詞彙語音辨識模型。本文整理 Oído 的技術架構、模型量化方法、向量指令集優化、英文與西班牙語測試表現，以及目前在硬體資源與實體量測上的邊界限制，提供邊緣運算與嵌入式開發者具體的評估 …
Cactus Whistle 語音辨識模型解析：以 16.9 MB 體積實現邊緣裝置 CPU 本地推論
Cactus Compute 推出開源語音辨識模型 Cactus Whistle，檔案體積僅 16.9 MB，專為行動裝置、穿戴設備與微控制器設計。模型支援英、德、法、西、義、荷、波蘭等七種語言轉錄，具備單字時間戳與語音嵌入功能，可於 CPU 環境獨立運作，並與 Needle 引擎整合實現 …
輕量語音合成模型 Kokoro-7M-Distill 解析：參數量縮減 11 倍與邊緣端推論實踐
本文介紹開源語音合成模型 Kokoro-7M-Distill 的技術架構與蒸餾機制。該模型將參數量壓縮至約 748 萬，在 4 核心 CPU 上達成 45 倍即時合成速度，並透過 WavLM 特徵匹配與靜音損失抑制背景雜訊，適合無網路連線的行動裝置離線執行。
Bilibili 開源 Index-Translate 翻譯模型家族：支援 150 種語言、長文件與配音音節控制
Bilibili 的 Index LLM 團隊正式開源多語言翻譯模型家族 Index-Translate，採用 Apache-2.0 授權條款釋出模型權重與推論程式碼。該系列以 Qwen3.5 為基礎，除支援 150 種文字語言翻譯，更針對長文件專有名詞一致性、影片配音音節控制，以及具備語 …
Nemotron 3 Diarization：支援最多 8 位說話者的開放權重模型
NVIDIA Nemotron 3 Diarization 用於判斷多人對話中誰在什麼時間說話，支援離線與串流推論，並提供多種輸入緩衝延遲設定。