语音大模型

小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio 是小米开源的首个原生端到端语音大模型，基于创新预训练架构和上亿小时训练数据，首次在语音领域实现基于 ICL 的少样本泛化。

无限长度语音视频生成模型 Infinite Talk 是一个由 MeiGen-ai 研发小组开源的数字人项目，能够生成无限长度的视频，具有准确的口型同步和一致的身份保留。

Speech 2.6 语音合成引擎 MiniMax Speech 2.6 是 MiniMax 推出的超低延迟、可一键复刻任意音色的实时语音合成引擎，让机器开口“像人”一样自然。

49 种音色 + 10 语言 9 方言，WER 碾压主流商用模型 Qwen3-TTS 是阿里巴巴推出的零样本多角色跨语言语音合成引擎，一句话就能克隆任意音色并流畅朗读多语种文本。

火山引擎推出的新一代多语种语音识别引擎，在复杂场景下实现更高精度与更强推理能力。

Fun-Audio-Chat-8B 开源语音交互大模型 Fun-Audio-Chat-8B 是阿里巴巴通义实验室开源的新一代端到端语音交互大模型，以双分辨率语音表征架构实现超低延迟与近 50% GPU 资源节省，兼具情感感知、语音指令执行、全双工交互等核心能力，性能逼近 GPT-4o Audio 与 Gemini 2.5 Pro，推动开源语音 AI 进入实用化新阶段。

全球首个多模态音频分离模型 SAM Audio 是 Meta 发布的全球首个支持 “点击分离声音” 的多模态音频基础模型，能够通过文本、视觉或时间片段提示，从复杂音频混合物中一键提取目标声音。

桌面端语音转写翻译一站式神器 在 PC 上“动嘴不动手”，即可把语音实时转成文字、翻译、改写，并同步开源 GLM-ASR 模型供开发者二次定制。

最强开源端到端语音大模型 阶跃星辰发布的Step-Audio2mini是一款开源的端到端语音大模型，能够实现语音理解、音频推理与生成的统一建模。

国内首个具备端到端语音同传能力的大模型，其同传速度与精度直逼人类专家。

Lingo语音大模型是西湖心辰推出的具备实时打断和控制能力的超拟人化语音交互系统，旨在重塑沟通的艺术。

开启AI音频生成新时代 腾讯ARC团队推出的AudioStory模型，能够根据文字描述生成高质量的音频内容，具有强大的叙事能力。

新一代对话合成模型 FireRedTTS-2 是小红书智创音频技术团队推出的新一代对话合成模型，可实现灵活的逐句生成和高质量的语音合成。

专业级AI音频生成工具 Stable Audio 2.5 是 Stability AI 推出的最新音频生成模型，可在几秒内生成高质量、多段落结构的音乐，支持文本转音频、音频修复等多种创作方式。

微软推出的个性化AI语音生成工具 Copilot Audio 是微软基于自研 MAI-Voice-1 模型推出的全新音频模式，支持情感、故事、脚本三种语音风格，带来更具表现力和沉浸感的语音交互体验。