专题语音与音频-青峰联创 · AI与项目变现实操工坊

语音与音频大事记

AIHOT重要进展

资料来源于AIHOT，不代表青峰联创已逐项独立核验。AIHOT专题 ↗

数据校验时间：2026-11-04 12:02:15 UTC；数据待更新，显示最近有效快照

重要进展 IMPORTANT_PROGRESS

2026-08-13 — 2026-08-13
重要进展 · 第 1 / 13 页

2026-08-13模型
小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座
AIHOT事件 ↗原始外链未提供

语音与音频精选历史资讯

AIHOT · 精选 · 不计入本站文章

主题归属复核已到期或尚未完成；当前展示上次核验的历史缓存，不代表最新已确认的主题归属。

2026-06-18 — 2026-06-19 · 4 条
精选资讯 · 第 1 / 2 页

Grok TTS 盲测人类感得分96登顶

xAI 的 Grok TTS 模型在 @Vapi_AI 的 Humanness Index 盲测中以 96 分（真人 100 分）位居榜首。该指数选取同一声音和引文，经各模型克隆后由听众盲评。

火山引擎上线豆包实时语音模型3.0（Seeduplex）API 服务并开启邀测。该模型为原生全双工端到端语音大模型，具备精准遵循、抗干扰、动态判停三大优势。可在多人对话中安静待命，指定话题出现时主动加入；支持通过自定义工具在实时交互中完成预定日历、发送邮件等任务。抗干扰力提升，误回复率与误打断率大幅降低；判停延迟缩短约250ms，复杂场景抢话比例下降40%，用户主动打断延迟缩短约300ms。适用于汽车智能座舱、智能硬件、智能客服等场景。

MOSS-TTS-Local-Transformer-v1.5 在 SGLang-Omni 上：原生流式 48 kHz 语音服务

MOSS-TTS-Local-Transformer-v1.5 是一款开源 TTS 模型，支持 48 kHz 立体声、零样本声音克隆、最长 10 分钟长文本合成、时长控制及 31 种语言。其核心采用 Qwen3-4B 骨干与约 2B 参数的 MOSS-Audio-Tokenizer-v2 音频编解码器，通过 12 个 RVQ 码本运行。SGLang-Omni 以三阶段流水线部署该模型。在 Seed-TTS-Eval 上词错误率 5.10%、语音相似度 69.23%，CV3-Eval 上 WER 7.48%、SIM 61.59%，MiniMax Multilingual 上 WER 6.37%、SIM 75.31%，X Voice 上 WER 20.48%、SIM 63.00%。