语音 Agent 最招人烦的两件事:一吵就听错,你停下来想个词它就抢话。这两个毛病,现在各有一个能在 CPU 上跑的开源模型来治。
#TTS 5 篇
它出声不靠又大又重的神经网络,而是照着「声带振动、口腔塑形」的原理现场合成,这一段只占整个模型的 0.57%。
从文本与语言解析,到声学建模和波形生成,沿着一句话的五步转换,看懂现代语音合成怎样让文字拥有自然的读音、节奏和语气。
Cekura 用同一批英文通话句子比较文字转语音模型:读懂 46 毫秒、负延迟与自动评分,才能把榜单用在真实语音 Agent 上。
新的文字转语音模型支持用描述设计声音、用短录音复刻声音,并用剧本标记控制语气、叹气、笑声和对方插话。本文讲清两款模型的区别、脚本写法、评测里的领先与落后,以及在哪能用。