📰 音频大模型
音频大模型 阿里巴巴 CosyVoice各个版本对比
CosyVoice 是阿里巴巴通义实验室(SpeechLab@Tongyi)语音团队研发的语音生成大模型系列,于2024年7月正式开源,定位为“多语言大规模语音生成模型”。
音频大模型 GPT-SoVITS各个版本对比
GPT-SoVITS 是由B站UP主“花儿不哭”开源的低成本AI音色克隆软件,采用MIT协议,目标是“造福所有普通人”。
音频大模型 F5-TTS各个版本对比
F5-TTS 是由上海交通大学、剑桥大学等机构联合研发的开源语音合成系统,全称为“A Fairytaler that Fakes Fluent and Faithful Speech with Flo
音频大模型 Fish-Speech各个版本对比
Fish-Speech(现称 Fish Audio)是由北京始智科技有限公司开发的开源文本转语音(TTS)模型,项目最初于2023年发布,经过两年多的快速迭代,已成为全球SOTA级别的开源语音合成方案
音频大模型 MiniMax Speech各个版本对比
MiniMax Speech 是稀宇科技(MiniMax)旗下的语音大模型系列,自2023年推出国内首个基于Transformer架构的语音大模型Speech-01以来,已在语音合成领域建立起从基础合
音频大模型 字节跳动 Seed 系列各个版本对比
字节跳动 Seed 团队在语音与音频生成领域构建了覆盖广泛的产品矩阵。该系列以 Seed-TTS 文本转语音模型为技术根基,逐步扩展至全双工语音交互、音视频联合理解、声音克隆与导演、端到端音频场景生成
音频大模型 ElevenLabs各个版本对比
ElevenLabs 由前 Google 机器学习工程师 Piotr Dabkowski 和前 Palantir 部署策略师 Mati Staniszewski 于2022年创立,总部位于伦敦和纽约。
音频大模型 OpenAI Voice Engine各个版本对比
OpenAI 在语音技术领域的布局呈现出独特的“双轨并行”格局:一条是以 Voice Engine 为核心的语音克隆技术路线,另一条是以 GPT-Live 和 GPT-Realtime 为代表的全双工
音频大模型 微软 VALL-E各个版本对比
VALL-E 是微软研究院于2023年1月发布的神经编解码语言模型,全称为“Neural Codec Language Models are Zero-Shot Text to Speech Synt
音频大模型 谷歌 AudioLM / MusicLM / Lyria各个版本对比
谷歌在音频生成领域的布局跨越了近四年时间,从AudioLM的底层框架验证,到MusicLM的文本到音乐跨越,再到Lyria的产品化落地,形成了一条清晰的“技术奠基—能力扩展—产品集成”演进路径。
音频大模型 Stability AI Stable Audio各个版本对比
Stable Audio 是 Stability AI 推出的音频生成模型系列,自2023年首次发布以来,已从基础的文本到音频生成工具演进为覆盖音乐创作、音效生成、音频编辑和端侧部署的完整产品矩阵。













