IXThinker·2026-04-09 15:10

三秒聲音樣本即克隆 開源語音模型

有歐洲公司開源語音合成模型 Voxtral 新作，僅需三秒音頻樣本即可克隆音色，以四十億參數兼顧自然度與部署效率，採量化方案對齊語義與聽感，適用邊緣設備與實時互動場景。

三秒即克隆音色

模型具備強大的零樣本克隆能力，僅憑三秒音頻樣本即可復現說話者音色，實現「配音自由」，對語音智能體與內容播報等需要高度語言理解的場景尤為實用。