-
语音合成 | Qwen3-TTS：当 TTS 重新回到 LLM+RVQ
TTS 范式变化与 LLM+RVQ 的回归 摘要：Qwen3‑TTS 用更强的低帧率多码本 Tokenizer + 纯自回归 Dual-AR LLM，把 TTS 从 “LLM+DiT 级联” 拉回 “大道至简” 的 LLM+RVQ 历史路线，实现 97ms 超低延迟、3 秒零样本克隆、10 语言跨语言合成与指令可控音色，与 MOSS-TTS/FishAudio S2 同期... -
语音合成 | MOSS-Audio-Tokenizer：大数据驱动的通用音频 Tokenizer
论文题目：MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models 论文链接：https://arxiv.org/pdf/2602.10934 开源代码：https://github.com/OpenMOSS/MOSS-Audio-Tokenizer 模型地址：h... -
专题分享 | UltraTTSData：语音合成数据分层管理体系 (II)
参考清华大学与面壁智能提出的 UltraData（详见解读）——文本 LLM 数据分层管理体系，类比到 TTS 语音合成场景下，可以作为语音合成的「训练数据管理」指南。基于分层数据管理思想，构建 T0-T4 共五层级体系，主要出发点： 数据与模型协同进化 质量梯度分层 适配不同训练阶段 注重成本与收益平衡为区别于 UltraData（ 中采用的 L0-L4 层级体系，本... -
专题分享 | UltraData：大模型时代数据分层管理体系 (I)
论文信息：Data Science and Technology Towards AGI Part I: Tiered Data Management，清华大学 & 面壁智能 大模型时代，自从数据和模型参数的 Scaling Law 验证了有效性，关于数据始终有一个问题无法回避：训练数据，到底应该怎么管理？ 从 GPT-4 到 DeepSeek 到各类 LL... -
语音对话 | MiniCPM-o 4.5 全双工全模态大模型-深度思考（Part II）
MiniCPM-o 4.5 所面临的四大研发挑战，并非孤立的技术问题，而是端侧全双工全模态模型这一全新技术方向的底层共性难题—— 其本质是以下四类问题的集中体现： 「多模态融合的参数效率矛盾」 「全新技术范式的工程化空白」 「实时性与连贯性的技术权衡」 「端侧硬件的资源约束适配」 对应的解决思路，既贴合大模型研发的通用规律，又针对「全双工 + 全模态 + 端侧」的... -
语音对话 | MiniCPM-o 4.5 全双工全模态大模型-技术分享（Part I）
分享题目：面壁小钢炮：MiniCPM-o 4.5(9B) 首个全双工全模态大模型 + 边看边听主动说分享者：姚远博士（面壁智能多模态首席科学家、清华大学助理教授）官方信息：- github: https://github.com/OpenBMB/MiniCPM-o- 模型代码：https://huggingface.co/openbmb/MiniCPM-o-4_5/bl... -
专题分享 | 副语言语音数据集开源工作汇总
当前大语言模型（LLM）驱动的语音合成（TTS）领域，如何让机器说话带有“人味儿”（如呼吸、笑声、叹气、迟疑等非语言发声），已经成为走向极致拟人化的核心壁垒。本文梳理了近期该方向最具代表性的 8 篇论文及数据集。 前言大模型时代的语音合成已经突破了基础的“清晰度”和“自然度”，目前的重要挑战是表现力（Expressiveness）与副语言特征（Paralinguist... -
社区交流 | 语音模型从设计到使用-通义百聆新年交流会
Takeaways/Insights技术方案 DiT 训练时，在语言模型（LM）和流匹配（Flow Matching）信息传递时，除了 token 还增加 LLM hidden states 隐状态 采用加入连续表征的方案，让音色信息与语言模型更深度耦合，将音色信息传递给语言模型，核心目的是提升 scaling 能力 在 IndexTTS 2 技术报告（https://a... -
代码解读 | CosyVoice 代码研读（三）：CosyVoice DiT CFM
CosyVoice3 的训练代码已经开源，这次最核心的变化在于 Flow Matching 模块从 U-Net 升级为 DiT（Diffusion Transformer）架构。本文以 cosyvoice/flow 目录下的最新代码为切入点，结合配置文件 cosyvoice3.yaml，从模型架构、Flow Matching 原理、条件信息输入机制、流式推理设计等维度对... -
技术思考 | 端到端语音交互在教育场景落地的思考
一、技术方案背景（级联 vs 端到端） 方案类型 方案编号 方案简述 代表性工作 特点 技术依赖 级联 方案一 纯级联方案 ASR + LLM + TTS【代表性工作】X-Talkhttps://arxiv.org/pdf/2512.18706 技术成熟、模块易拆解，落地门槛低 ASR 识别准确率、LLM 逻辑推理能力、TTS 的表现力 级联 方案二 标签化...
博学而笃志，切问而近思
Think Closely & Resolve Firmly