12月11日，智谱发布工业级语音合成系统GLM-TTS，并在Hugging Face和ModelScope平台开源模型权重。该模型仅需3秒语音样本即可克隆音色与说话习惯，适用于教育、电子书、客服等场景，生成自然流畅的语音。其训练数据仅10万小时，远低于行业主流，预训练只需单机4天，成本显著降低。GLM-TTS采用两阶段生成架构和基于GRPO的强化学习方案，在公开评测中达到开源SOTA表现，字符错误率低至0.89%，情感表达领先行业。开发者可通过GitHub、Hugging Face等平台获取资源，或通过开放平台API快速集成。在线体验入口包括audio.z.ai及智谱清言App。

12月10日，阿里通义千问发布Qwen3-TTS语音合成AI模型，支持超49种音色及多种方言。新模型可通过Qwen API访问，提供撒娇搞怪、青梅竹马等角色音色，覆盖不同性别、年龄和地域特征。Qwen3-TTS增强多语种能力，支持中文、英文、日语等10种语言，方言包括闽南语、粤语、四川话等，还原地方口音特色。此外，其韵律和语速调节更自然，拟人化程度逼近真人，性能优于MiniMax、ElevenLabs等同类产品。

Soul App AI团队开源了播客语音合成模型SoulX-Podcast，专为多人、多轮对话场景设计，支持中、英、川、粤等多种语言和方言，能够生成自然流畅、角色切换准确、韵律丰富的超长语音对话。该模型不仅适用于播客场景，在通用语音合成与克隆任务中也表现优异。 SoulX-Podcast具备零样本克...

2025年10月，火山引擎升级了豆包语音大模型，推出语音合成模型2.0与声音复刻模型2.0。新模型通过深度语义理解与上下文推理能力，使AI语音从“像人”走向“懂人”，支持情感表达、方言、语气等多样化控制。例如，郭德纲和于谦的腔调被复刻演绎“发疯文学”。此外，新架构还解决了复杂公式朗读难题，准确率达90%。同时，豆包大模型1.6新增分档调节思考长度功能，并推出轻量化版本及智能模型路由技术，显著降低企业使用成本。目前，该技术已在小米、懂车帝等企业落地应用，日均tokens调用量超过30万亿，占据中国公有云市场半壁江山。

10月16日，在武汉举行的FORCE LINK AI创新巡展上，火山引擎发布了四款豆包大模型。其中包括升级版豆包大模型1.6，支持四种思考长度，提升效率并降低成本；全新发布的豆包大模型1.6 lite更轻量且性价比高，性能超越前代。此外，豆包语音合成模型2.0和声音复刻模型2.0具备更强情感表现力与复杂公式朗读能力，准确率达90%，支持语速、情绪等多维度精准调整，满足多样化需求。

12日，小米集团AI实验室发布ZipVoice系列语音合成（TTS）模型。该系列包括ZipVoice（零样本单说话人语音合成模型）和ZipVoice-Dialog（零样本对话语音合成模型）。ZipVoice通过基于Flow Matching架构解决了现有零样本语音合成模型参数量大、合成速度慢的问题；ZipVoice-Dialog则优化了对话语音合成的稳定性和推理速度瓶颈。这一发布展现了小米在人工智能语音技术领域的创新突破，为行业提供了更高效的语音合成解决方案。

9月8日，B站宣布开源自研语音生成模型IndexTTS-2.0，这是首个支持精确时长控制的自回归零样本TTS系统。该模型可实现精准音画同步，适合视频配音等场景，并支持两种生成模式：精确时长控制和自由生成保留韵律特征。其创新点包括情感与音色解耦，用户可独立指定音色和情绪来源，同时引入GPT潜在表示和三阶段训练策略，提升高情感表达下的语音清晰度。团队还通过“软指令”机制降低使用门槛，允许自然语言描述控制情绪。实验表明，IndexTTS-2.0在词错率、音色相似度和情绪保真度上超越现有模型。代码及预训练权重已公开，助力学术研究与产业应用。

2024年6月26日，科大讯飞宣布其语音合成技术实现重大升级，推出一句话声音复刻与超拟人合成两大核心能力。该技术通过三阶段层次化语音建模框架，显著提升声音复刻的相似度和准确度，仅需一句录音即可精准还原用户发音特征。此外，超拟人合成技术赋予AI声音“上下文情商”，能根据对话情绪和话题变化实时调整语气，接近真人水平。该技术已应用于智能汽车、教育、医疗等多个领域，如蔚来汽车、天津大学等均采用此技术，推动AI语音在多场景下的深度应用。

6月14日，加州大学戴维斯分校研发的新型脑机接口系统取得突破性进展。该系统通过在渐冻症患者大脑发音区域植入微电极阵列，实时捕捉神经信号并转化为语音，全程仅需10毫秒，几乎实现即时对话。系统不仅能让患者流畅说话，还能识别唱歌动作并合成旋律。此技术基于患者发病前的语音样本训练出的声音克隆算法，使合成语音高度还原个人特征。研究团队表示，这为脑机接口语音合成带来重要转折，未来有望帮助更多因不同原因丧失语言能力的人重获表达能力。目前，该技术仍在单个病例测试阶段，下一步将扩大适用范围。

标题：AI说书媲美真人！豆包语音大模型升级长上下文理解 市面上许多语音模型虽已实现自然合成，但在音质、韵律及情感表达方面仍有待提升。尤其在小说演播中，需细腻区分旁白与角色、准确传达情感及不同角色间的差异。 传统方法需预先标记对话、情感和角色，而豆包语音模型可实现端到端合成，无需额外标签。为提升小说演...