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
#語音
關於 語音 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 1 / 7 頁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 …
TontaubeV1：把長篇語音生成搬回本機的 2.9B 開放權重 TTS 模型
TontaubeV1 是一個面向長篇內容與串流推理的開放權重語音模型，支援英語、德語等 7 種語言與零樣本聲音複製。本文整理它的分層架構、速度、硬體門檻與實測產品比較。
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。
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。
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。
dots.tts 完整解析：拋棄離散 Token 的新一代開源 TTS 語音合成模型
dots.tts 是由 RedNote 推出的新一代開源 TTS（文字轉語音）模型，採用 Fully Continuous 全連續架構，完全捨棄傳統離散 Token，提升語音自然度與情感表現。本文深入解析其 AudioVAE、Qwen2.5 骨幹、Flow-matching 機制、三大模型 …