微软的VibeVoice-1.5B是开源文本转语音技术的重大进展，支持长达90分钟的多说话人音频生成，具备跨语言和歌唱合成能力，采用流式架构，强调情感表现，适合播客和对话场景。

研究表明，扩展推理时间计算可提升语音合成质量。Llasa 模型采用单级 TTS 架构，优化语音标记生成，增强自然度和情感表现。实验结果显示该模型在多个指标上表现优异，鼓励进一步研究。