TTS AI

Ming-3.0-TTS 是一个开放权重的语音生成模型系列，适用于旁白、音频故事、播客和对话产品。轻量级稠密模型与混合专家变体提供不同部署选择，并支持自然语言指令和富表现力的语音控制。

开发者可创建角色声音和本地化旁白，同时选择适合其服务环境的模型规模。核心能力包括声音设计、参考声音克隆、导演式指令和副语言标签。

IndexTTS 2.5 是一种用于表达性多语言语音合成的零样本神经文本转语音基础模型。它建立在基于变压器的文本到语义模块和非自回归语义到梅尔模块的基础上，以重现语音特征和情感。

更新将语义编解码器从 50 Hz 压缩到 25 Hz，减少了序列长度和推理成本，并用更高效的 Zipformer 架构取代了早期的 S2M 主干。新的跨

Fish Audio S2 是一套富表现力的开源文本转语音模型发布，核心是 S2 Pro，即 Fish Audio 的 40 亿参数多语言语音模型。它专为自然、逼真的语音生成而构建，支持情感、风格指令、多说话人控制、语音克隆以及行内韵律控制。

S2 Pro 采用双自回归架构，其中 40 亿参数的 Slow AR 组件负责语义预测，

Fish Audio S2.1 Pro 是一款可通过 Fish Audio API 使用的生产级神经文本转语音模型，其模型字符串为 s2.1-pro-free。它面向需要逼真语音合成、低延迟流式输出、多语言生成和语音克隆的开发者，而且无需从仅限付费的评估路径开始。

该模型通过一个 API 端点支持 83 种语言，可通过将 Fish

Wan Streamer v0.1 是一种原生流式、端到端的交互式基础模型，用于实时音视频交互。它能够在单个 Transformer 中完成听、看、思考、说话和生成同步视频响应，目标是实现全双工交互，而不是依赖分离的 ASR、LLM、TTS 和数字人模块流水线。

该模型将语言、音频和视频表示为由块因果注意力协调的交错输入和输出 t

dots.tts 是一个 20 亿参数、完全连续、端到端的自回归文本转语音系统。其骨干结合了语义编码器、LLM 和一个作用于 48 kHz AudioVAE 之上的自回归流匹配声学头，整个流程不使用离散 token。

项目页面强调它在中文、英文、困难中文评测、多语言说话人相似度、语音克隆和情感表达等方面取得了强基准结果。页面还提供

Scenema Audio 是一种富有表现力的音频生成模型，适用于零样本语音克隆、情感语音、歌唱和表演驱动的语音合成。它的设计目的不仅是生成文字，还可以通过节奏、呼吸、笑声、叹息、情感和声音效果来进行声乐表演。该产品将语音识别与情感传递分开，因此简短干净的参考剪辑可以定义音色，同时提示控制性能。

该模型提取自 LTX 2.3，并使

Dramabox 是 Resemble AI 的富有表现力的文本转语音模型，具有提示驱动的语音克隆和性能控制。它设计用于生成表演语音，其中提示控制说话者的身份、情感、表达、笑声、叹息、呼吸、暂停和过渡。简短的可选语音参考可以克隆目标音色，而文本提示则定义应如何执行该行。

该模型是 LTX-2.3 3.3B 纯音频模型的 IC-Lo

Pocket TTS 是一款轻量级的文本转语音应用程序，专为在 CPU 上高效运行而设计。它能以低延迟从文本生成音频，并能处理无限长的文本输入。该应用程序支持 Python 3.10 及更高版本，需要 PyTorch 2.5+，但不需要 PyTorch 的 GPU 版本。

该应用程序的模型大小很小，只有 1 亿参数，仅使用 2 个

VibeVoice-Realtime 是一款轻量级的实时文本转语音模型，支持流式文本输入和强大的长篇语音生成。它可用于构建实时 TTS 服务、叙述实时数据流，并允许不同的模型从其第一个 token 开始发声。该模型在大约 300 毫秒内产生初始可听语音，使其适用于实时应用。

该模型采用交错的、带窗口的设计，在持续进行基于扩散的声学潜

Step Audio EditX 是一个先进的开源 30 亿参数大型语言模型，专为富有表现力和迭代的音频编辑而设计。与传统上只能从参考音频中复制情感、风格、口音和音色的文本到语音 (TTS) 系统不同，Step Audio EditX 能够通过类似于文本编辑的标记级操作，精确控制语音特征。它重用了 Step-Audio 双码本分词器，该分词器将语音映射

OpenAudio S1 是 Fish Audio 推出的先进文本转语音 (TTS) 模型，旨在提供高度自然和富有表现力的语音合成。该模型基于对超过 200 万小时音频数据的大规模训练，实现了与专业人类配音演员几乎无法区分的语音输出。该技术针对视频旁白、播客和游戏角色配音等应用，提供流畅、逼真的语音，捕捉细微的情感差异，使其非常适合专业和创意音频制作。

FireRedTTS-2 是一个用于多说话人对话生成的长篇流式 TTS 系统，可提供稳定的、自然的语音，并具有可靠的说话人切换和上下文感知的韵律。它目前支持 3 分钟、4 个说话人的对话，并且可以通过扩展训练语料库轻松扩展到更长的对话和更多说话人。该系统还支持多种语言，包括英语、中文、日语、韩语、法语、德语和俄语。

该系统建立在新的

Yume 是一个交互式世界生成模型，它能够利用图像、文本或视频创建动态世界，允许通过外围设备或神经信号进行探索和控制。该模型采用精心设计的框架，包含四个主要组件：摄像机运动量化、视频生成架构、高级采样器和模型加速。该框架使 Yume 能够生成高保真且交互式的视频世界，克服了先前工作中存在的局限性。

Yume 的技术框架包含多个关

Higgs Audio V2 是一个强大的音频基础模型，已基于超过 1000 万小时的音频数据和丰富的文本数据进行预训练。得益于其对语言和声学的深度理解，它在富有表现力的音频生成方面表现出色。这意味着您现在可以专注于告诉模型您希望它如何呈现对话，或者您可以完全信任它能够独立提供极其逼真的音频。Higgs Audio V2 在 Seed-TTS Eval

Chatterbox 是由 Resemble AI 开发的一款先进的开源文本转语音 (TTS) 模型，旨在提供先进的语音合成和语音克隆功能。Chatterbox 基于 LLaMA 架构构建，并经过超过 50 万小时的精选音频训练，其真实感和流畅度可与领先的专有解决方案相媲美，甚至超越它们。其开源 MIT 许可证允许开发者和组织自由使用、修改和部署该技术

Dia 是由 Nari Labs 开发的一款突破性的开源文本转语音 (TTS) 模型，旨在从纯文本生成高度逼真、情感丰富的对话。Dia 拥有 16 亿个参数，能够生成自然的多说话人对话，其表现远超传统的 TTS 系统。与许多竞争对手不同，Dia 不仅能解读脚本中的文字，还能嵌入笑声、咳嗽声和叹息声等非语言声音的提示，从而生成与真实人类互动非常接近的音频

Video-T1 是一个开创性的框架，它将测试时间缩放 (TTS) 引入视频生成领域，显著提升了生成视频的质量和一致性。与仅依赖模型大小和训练数据的传统方法不同，Video-T1 在推理时利用额外的计算资源来优化视频创建过程。通过将视频生成视为搜索问题，Video-T1 探索了更广泛的可能视频轨迹，从而生成与用户提示更加一致且视觉保真度更高的输出。这种

Zonos TTS 是由 Zyphra 开发的一款先进的开源文本转语音 (TTS) 模型。它代表了语音合成领域的重大进步，基于超过 20 万小时的多样化多语言语音数据集进行训练。这种全面的训练使 Zonos 能够提供跨多种语言、富有表现力且听起来自然的语音输出。

Zonos 项目托管在 GitHub 上，提供两种主要的架构变体：

F5-TTS 是一种先进的人工智能文本转语音系统，代表了语音合成技术的重大飞跃。该尖端模型由研究团队开发，利用深度学习算法从文本输入生成高质量、类似人类的语音。F5 TTS 代表“通过流匹配模仿流利和忠实语音的童话故事”，旨在生成极其自然和富有表现力的语音，为语音技术领域树立了新标准。

F5-TTS 的核心是采用基于流