網易有道開源 Confucius4-R2T2：極低延遲、高精度的實時語音轉文字模型
Confucius4-R2T2 是網易有道推出的即時語音辨識模型，重點在低延遲、穩定追加輸出與串流轉錄。
259 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 2 / 3 頁AuK 開源語音基礎模型：一句指令搞定語音生成、編輯與降噪
AuK 是強大的開源語音基礎模型，透過簡單的自然語言指令，就能實現語音生成、內容修改、音質增強及情感變更，打造全能的音訊處理工作流。
Audio8_TTS：輕量化高效能語音合成技術的全新突破
探索 Audio8_TTS，這款專為邊緣設備打造的 SOTA 等級文字轉語音（TTS）模型。它採用輕量化架構，在 0.1B 參數量下展現卓越效能，並支援高效能 ONNX 與 SGLang 推理，是追求語音合成效率的開發者首選。
sanoTTS：極致輕量化 neural TTS，能在 3 美元晶片與瀏覽器流暢運作
sanoTTS 是一款僅約 1.4M 參數的超輕量級神經語音合成技術，支援多達 16 種語言。它能在低成本晶片（如 ESP32）或瀏覽器環境中即時運作，打破硬體限制，帶來高效的語音合成體驗。
Breeze TTS 2 開源登場：即時互動與高擬真語音生成的強大引擎
Breeze TTS 2 是針對即時互動優化的開源語音生成模型，支援中英文雙語、語音克隆、語音設計與精確的語音導向功能，以極低延遲表現成為頂尖的開源文字轉語音方案。
FireRedTTS3：支援 24 種語言與多種方言的強大語音生成與編輯模型
FireRedTTS3 是一款領先的統一語音生成系統，不僅支援 24 種語言及 21 種中文方言的零樣本語音複製，更具備自然語言指令控制的語音設計與靈活編輯功能，為創作者提供高效且精準的聲音解決方案。
開源長程 AI 新標竿：dots3-note Preview 模型發布，支援 512K 上下文與多模態 AI Agent 操作
Dots Studio 正式推出 dots3-note Preview，這是一款具備 280B 總參數、16B 激活參數的輕量級多模態模型。它不僅支援 512K 超長上下文，更針對複雜長程 AI Agent 任務（Agent）、自我評價能力與真實世界環境進行優化，是邁向自主進化 AI 的重 …
Thinking Machines 推出全新高效能 Inkling-Small 模型：以 276B 參數達成與大模型同級表現
Thinking Machines 發布開源權重模型 Inkling-Small，具備 276B 總參數與 12B 激活參數。這款多模態模型支援音訊與影像推理，並能靈活調整運算耗能，在推理與 Agent 任務上展現出色的效能與成本平衡。
MiniMax H3 全能多模態生成模型：震撼推出，影音生成與 2K 解析度新巔峰
MiniMax H3 是一款強大的全能多模態生成模型，整合文字、圖像、影音及音訊理解，具備高達 2K 解析度的影音生成能力，並支援複雜指令跟隨，為廣告、電商與內容創作提供極具性價比的解決方案。
IndexTTS-2.5：支援多國語言與情緒控制的強大零樣本語音生成模型
IndexTTS-2.5 是一款開源的多語言文字轉語音模型，支援中英日西阿五種語言。透過 0.8B 參數量實現卓越的零樣本語音複製、情緒向量控制與精確的發音標註，為語音合成帶來更自然且靈活的解決方案。