本文探讨语音识别在多人环境中“听对人”的挑战，即区分用户与背景人声。对比两种技术路线：基于身份注册的Target-Speaker ASR和基于场景线索的前景说话人转录，强调数据构造需明确时间、能量、空间关系，模型应学会选择交互主体而非单纯降噪，推动ASR从内容识别走向场景理解。

MiniMax Music 3 是2026年8月开源的AI音乐生成模型，能根据文字描述和歌词，一次性完成作曲、编曲、演唱及完整歌曲制作，最长生成5分钟音乐。它采用多项先进技术，提升创作意图理解、长程一致性及音色真实感，支持多种风格和完整歌曲结构，适用于音乐制作、短视频配乐等领域，并提供在线教程供用户实践。

“一起冥想”是一款多人在线同步冥想应用，基于ZEGO的低延迟音视频技术，提供清晰的人声、沉浸式音效和实时互动。用户可通过AI降噪和3D音效在虚拟空间中体验冥想，搭建应用只需四个步骤，适合无真人导师的场景。

昆仑万维的Mureka V8在AI音乐领域取得突破，成为全球人声和器乐双料第一。其生成的音乐作品展现出自然的呼吸感和情感连贯性，标志着AI音乐从“可生成”到“可发布”的转变，推动了国产AI音乐的发展。

LG推出了新款K歌派对音响Stage 501，配备“AI K歌大师”，可去除或调整歌曲人声，并调节音调以便更易演唱。该音响设计独特，音质优良，电池续航可达25小时。此外，LG还推出了其他小型音响，具备AI音频分析和环境音质调整功能，预计今年上市。

FxFactory 的 AudioDenoise AI 插件可智能降噪，保持人声清晰，用户可调节降噪强度和频段，适用于多种场景。

本文介绍了安装和使用CosyVoice多语言、音色和情感控制模型的步骤。首先下载安装包，然后安装Conda和所需的依赖。接下来安装Homebrew和sox，并设置环境变量。最后通过webui.py启动模型，并使用预设音色进行文本转语音。

ultimatevocalremovergui是一款基于深度神经网络的人声去除工具，支持Windows和MacOS，无需额外依赖。该软件利用先进的源分离模型，能够精准去除音频中的人声。

ChatTTS是一个适用于对话场景和语音合成的文本到语音转换模型，支持中英文，通过大量数据训练，生成高质量和自然度的语音。使用ChatTTS的基本步骤包括下载代码库、安装依赖项、导入库、初始化ChatTTS、准备文本、生成语音和播放音频。开发人员可以通过API和SDK将ChatTTS集成到应用程序中。

音频分离一直是音视频领域的难题。Spleeter和MVSEP-MDX23是两种开源的音频分离算法，分别适合专业用户和普通用户和开发者。MVSEP-MDX23基于Demucs和MDX网络架构，可将音乐分离成四个部分。Spleeter是Deezer开发的音频分离库，可将音频分离成不同的音轨。

亚马逊云科技提供了云原生的TTS服务Amazon Polly，使用深度学习技术合成自然的人类语音。本文介绍了一个基于开源项目构建的解决方案，使用So-Vits-SVC和Bark进行自定义人声生成。

法国音乐流媒体公司Deezer开源了音轨分离软件spleeter，可将音乐的人声和乐器声分离。支持常见音频格式，也支持GPU加速。spleeter最多可分离出人声、鼓、贝斯、钢琴和其他乐曲这5个音轨。

Spleeter是一款基于Tensorflow的AI库，可分离音频中的人声和背景音乐，避免版权问题。可通过pip或Docker安装，自带三种预训练模型，适用于影视剧素材的二次创作和Vlog的环境音分离。