今天（2025年10月16日），字节跳动发布了新版的豆包2.0语音合成能力，引发广泛讨论，效果确实惊艳。 火山引擎发布新版语音合成系列模型：豆包语音合成模型2.0（Doubao-Seed-TTS 2.0）和豆包声音复刻模型2.0（Doubao-Seed-ICL 2.0），两款模型展现出更强的情感表现力、更精准的指令遵循能力，还能准确朗读复杂公式，还拓展了上下文推理和自然...

TL;DR 太长不看版语音合成目前主流的路线是「离散语音 tokenizer + LLM」，典型代表有 VALL-E、Tortoise-TTS、Seed-TTS、CosyVoice、Minimax-Speech、Index-TTS、FireRed-TTS 等。但近一年兴起了一股新的技术趋势：直接在 连续表征（continuous token） 空间建模，结合自回归 + 扩...

过去两年，TTS（语音合成）模型的演化速度令人惊叹。从“能说清楚”到“说得自然”，再到如今“实时流式”“对话级拟人能力”，背后不仅体现了大模型方案与语音合成的成功结合，还有整个数据清洗、表征学习和建模范式的革新。 小红书智创音频团队的 FireRedTTS 系列正是其中比较具有代表性的工业级框架，从 FireRedTTS 最初的基础模型出发，一步步扩展到 FireR...

论文题目：Kimi-Audio Technical Report 论文链接：https://arxiv.org/pdf/2504.18425 开源链接：https://github.com/MoonshotAI/Kimi-Audio base 模型：https://huggingface.co/moonshotai/Kimi-Audio-7B Instruct 模型：...