跳到正文
只看模型#语音
  1. The Decoder82

    Nvidia 发布开源 Nemotron 3.5 Transcribe 模型，集成转录、翻译与说话人识别功能

    Nvidia 发布了开源语音识别模型 Nemotron 3.5 Transcribe，该模型在单张 GPU 上即可运行，支持 40 种语言转录、31 种语言与英语互译及 13 种语言说话人识别。

    推荐理由：该模型在单卡上实现了转录、翻译与说话人识别的多任务集成，并提供了大规模开源数据集供垂直领域微调。

  1. Google DeepMind82

    Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 语音生成模型

    Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持通过自然语言提示创建自定义角色声音并逐行控制表演细节。Gemini 3.8 Flash TTS 在 Hume AI Voice Design Benchmark 中位列第一，支持超过 100 种语言，并已在 Google AI Studio 和 Gemini API 上线。

    推荐理由：原文展示了从静态预设到动态创意工作室的转变，提供了多语言角色声音生成与逐行表演控制的具体能力细节。

已经到底了