跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

10月8日周四
10月7日周三
  1. pyvideotrans 官方发布38

    pyvideotrans v4.15 发布:更新 Deepgram 与 ElevenLabs 渠道,新增静音移除调节

    pyvideotrans 发布 v4.15 Windows 预打包版本,MacOS/Linux 需源码部署。新版更新 Deepgram.com 渠道模型并增加语音合成支持,更新 Elevenlabs.io 模型并移除将被废弃的模型,同时在高级选项中新增字幕配音静音缓冲移除与力度调节。此外新增 Audexum 语音识别渠道、Infistar 翻译渠道及阿塞拜疆语支持。

10月6日周二
10月2日周五
10月1日周四
  1. Suno 官方博客62

    Suno 发布 Speech 音频模型 beta,可同时生成人声与音乐

    Suno 发布 Speech beta,这是其首个将人声与音乐作为一条完整音轨一起生成的音频模型。用户输入想法、诗歌或已有文字,再描述想要的音色与音乐风格,即可生成配原创背景音乐的语音内容。该模型已向全体用户开放 beta,此前已在小范围用户中测试一个月,官方称英式口音偶尔会漂移到澳式等效果仍待改进。

    推荐理由:Suno 把语音与背景音乐合成到同一条音轨,做短剧旁白或配音的创作者可以据此评估新的出片方式。

9月30日周三
9月23日周三
  1. Google DeepMind72

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

    Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音合成模型,前者面向角色设计与逐句表演指导,后者面向高体量、低成本的配音与语音智能体场景。

    推荐理由:两款 TTS 模型把声音生成从固定预设变成可逐句导演的创作流程,配音与有声书团队可据此评估迁移。

  2. Cartesia 官方博客62

    Cartesia 推出 Multilingual Voices,50+ 音色原生支持最多 25 种语言

    Cartesia 推出 Multilingual Voices,50+ 库内音色可原生说最多 25 种语言,并支持把自建声音克隆扩展为多语言。每个语言和口音由母语者按评分表打分,检查口音是否保持以及日期、数字、货币是否按当地读法处理。

    推荐理由:Cartesia 把同一音色扩展到 25 种语言,并支持用十秒音频克隆后追加多语言口音,做多语种配音的团队可据此评估替换现有流程。

9月21日周一
  1. pyvideotrans 官方发布38

    pyvideotrans v4.13 发布:优化模型下载重试与 whisper 断句,新增豆包语音合成 2.0 配音角色

    pyvideotrans v4.13 发布 Windows 预打包版,模型下载失败后自动重试,并优化 whisper 模型识别后的重断句算法。该版本完善硅基流动、Minimax、OpenRouter 的语音识别、字幕翻译与语音合成模型支持,新增豆包语音合成 2.0 配音角色,并重构设置窗口与菜单架构。Qwen-TTS、Higgs 等本地配音渠道放弃 8 位量化,媒体合并功能新增暂停按钮。

9月18日周五
  1. WellSaid · 官方博客22

    如何用 AI 语音本地化营销活动

    WellSaid 官方博客发布指南,介绍如何用 AI 语音完成营销活动的本地化。流程包括准备本地化脚本、按市场选择带地区口音与方言的语音、生成并试听配音、调整发音与节奏,再逐市场复用同一套创意方向。AI 语音让团队无需为每次脚本修改重新安排录音,把时间与预算从协调录音转移到比较与打磨版本上。

  2. Descript · 官方产品更新22

    Descript 9 月更新:字幕预设与动画、AI 生成音乐音效、多币种支付

    Descript 发布 9 月更新,字幕新增 18 个预设与 10 个文字动画,并支持搜索过滤;AI 可按描述生成背景音乐与音效,需升级至 145.0.15 或更新版本。结账新增 Apple Pay、Google Pay、Cash App 等支付方式并显示本地货币,语音库改用 ElevenLabs,跳剪平滑改为按秒计费(音频 0.5 AI 积分/秒、视频 1.0/秒)。

9月16日周三
  1. Epidemic Sound28

    Epidemic Sound 与牛津 VGG 合作推出音频检索框架 AuroLA,已上线音效搜索

    Epidemic Sound 与牛津大学 VGG 合作推出音频-文本检索框架 AuroLA,基于开源 Qwen2.5-Omni-7B,将多模态大模型同时用作快速检索与精排骨干,在所有测试基准上超越此前最优,训练数据量约为同类系统的 1%。该框架已投入生产,支撑 Epidemic Sound 的音效搜索,并开源了 1,297 条人工标注音效验证基准,采用 CC BY-NC-ND 4.0 许可。

9月14日周一
  1. Cartesia 官方博客22

    TTS 模型与音色不是一回事:Cartesia 解析固定说话人、多说话人与声音克隆

    Cartesia 官方博客指出,TTS 模型与它使用的音色是两个独立概念,音色更像输入而非模型本身。固定说话人模型只接收文本,多说话人模型可额外选择预设音色,零样本克隆模型则接受 10 到 60 秒参考音频作为提示,Cartesia 的 Sonic 端到端模型即支持 Instant Voice Cloning。专业声音克隆(PVC)需用更大录音数据集微调模型,耗时可达数小时。

9月10日周四
8月11日周二
7月15日周三
  1. Hugging Face Blog36

    Real World VoiceEQ 发布:衡量语音 AI 的人类质感

    语音 AI 评测基准 Real World VoiceEQ 发布,覆盖 40 多个主流闭源与开源语音模型、15+ 评估维度和 60 多项指标,涵盖 ASR、TTS、S2S 与语音理解。该基准基于超 100 万条人工评分构建,含 785,000 条 TTS 评分和 48,000 条 STS 评分。评测显示 TTS 中没有任何系统配置在全部八个能力组均进入前五,语音模型"会说"强于"会听"。

7月1日周三
6月9日周二
5月7日周四
5月4日周一
4月16日周四
3月26日周四
3月6日周五
12月13日周六
  1. Google DeepMind62

    Google 发布升级版 Gemini 2.5 Flash Native Audio,新增实时语音翻译

    Google 发布升级版 Gemini 2.5 Flash Native Audio,面向实时语音智能体,提升了复杂工作流处理、指令遵循和多轮对话能力,在 ComplexFuncBench Audio 上以 71.5% 领先,开发者指令遵循率从 84% 升至 90%。

    推荐理由:Gemini 2.5 Flash Native Audio 更新了函数调用、指令遵循与多轮对话能力,并新增实时语音翻译,可据此评估语音智能体与翻译场景的可用性。

10月28日周二
  1. Hugging Face Blog38

    Hugging Face 提出“声音同意门”:说话人明确同意后才能克隆声音

    Hugging Face 博客提出“声音同意门”机制,让声音克隆只有在说话人亲口说出同意语句并被 ASR 识别后才启动,并给出示例 Space 与配套代码。演示中由语言模型为每次授权生成一对句子,一句明确表达同意、一句提供语音多样性,使同意成为可追溯、可审计的系统前置条件。

6月3日周二
5月13日周二
3月20日周四
10月22日周二
6月8日周六
3月29日周五
2月27日周二
8月30日周三
8月9日周三
9月21日周三