OpenAI 分享合成语音模型 Voice Engine 小规模预览经验
OpenAI 分享了用于生成自定义声音的模型 Voice Engine 的小规模预览经验，探讨合成声音带来的挑战与机遇。
语音与音频
全部主题AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
最新精选
第 21–27 条 · 共 27 条OpenAI精选AI 评分6060
Hugging Face精选AI 评分6969 Hugging Face 推出语音模型盲测平台 TTS Arena
Hugging Face 宣布推出 TTS Arena，通过社区盲测与类 Elo 评分机制对文本转语音模型进行对比排行。用户输入文本后盲测试听两款模型的生成效果并投票，系统在提交后揭示模型名称并更新榜单。首批入选模型包括商业模型 ElevenLabs 以及 MetaVoice、OpenVoice、Pheme、WhisperSpeech 和 XTTS 等开源方案。
推荐理由：平台借鉴盲测竞技场机制解决语音合成主观评估难的问题，为开发者比较开源与闭源语音模型提供了统一参考。
Hugging Face精选AI 评分6060 Hugging Face 详解 AI 水印技术与工具：覆盖图像、文本与音频全模态
Hugging Face 发文梳理 AI 生成内容的水印与溯源技术，系统拆解图像、文本与音频三大模态的加水印机制与检测方案。文章对比了生成阶段直接嵌入与生成后标记两种实现路径，介绍了 Nightshade 数据投毒、Truepic C2PA 凭证、TGI 文本水印以及 AudioSeal 音频水印等工具。
推荐理由：梳理了图像、文本和音频生成内容的水印与检测机制，读者可以据此系统了解不同模态防伪溯源的工程实现方案。
Hugging Face精选AI 评分7373 利用投机解码将 Whisper 推理速度提升 2 倍
Hugging Face 展示了如何将投机解码应用于 Whisper 语音转录，在保证输出完全一致的前提下将推理速度提升 2 倍。在英语场景中，使用 6 倍速的 distil-large-v2 作为辅助模型仅增加 8% 显存即可实现 2.2 倍加速，多语种搭配 Whisper tiny 也可提速 1.9 倍。该方案最适合较小的 batch size，当批大小超过 4 时加速收益会逐渐消失。
推荐理由：介绍了用蒸馏或小模型作为辅助草稿模型的投机解码方案，为现有语音转录流水线提供了零精度损失的提速工程参考。
OpenAI精选AI 评分9191 ChatGPT 现已能够看、听和说话
OpenAI 宣布 ChatGPT 推出视觉与语音能力，模型现已能够看、听和说话。
Hugging Face精选AI 评分6161 AudioLDM 2 推理加速指南：利用 Diffusers 将生成时间缩短至 1 秒内
Hugging Face 介绍了在 Diffusers 库中加速文本生成音频模型 AudioLDM 2 的多项优化方案，成功将 10 秒音频样本的生成耗时从 14 秒缩短至 1 秒以内。
推荐理由：文章系统梳理了扩散音频模型从调度器替换、编译到显存卸载的完整提速步骤，方法可直接复用到其他基于 Diffusers 的生成任务。
OpenAI精选AI 评分8383 OpenAI 开源语音识别模型 Whisper
OpenAI 宣布开源名为 Whisper 的神经网络模型，该模型在英语语音识别上达到了接近人类水平的鲁棒性与准确度。
推荐理由：OpenAI 开源了语音识别模型 Whisper，在英语语音识别任务上达到了接近人类水平的鲁棒性与准确度。