埃隆·马斯克的 AI 公司 xAI 发布了两款音频 API：语音转文本（STT）和文本转语音（TTS）。STT 支持 25 种语言，提供实时和批量转录，错误率为 5.0%。TTS 支持 20 种语言，提供多种声音选择，定价为每百万字符 4.20 美元。这标志着 xAI 进军语音 API 市场。

美团LongCat团队发布了LongCat-AudioDiT模型，采用全新的端到端文本转语音技术，减少信息损失。该模型在Seed基准测试中表现优异，取得最佳的说话人相似度和可懂度，证明了在波形潜空间生成语音的有效性。LongCat-AudioDiT以简化架构和高保真合成为目标，已开源，期待推动语音生成技术的发展。

小米人工智能实验室推出了OmniVoice，这是一款支持600多种语言的零样本文本转语音（TTS）模型。该模型采用单阶段框架，直接将文本映射为声学标记，基于58.1万小时的开源数据训练，广泛覆盖语言，并提升了对低资源语言的支持。

谷歌推出了Gemini 3.1 Flash TTS，这是一个改进的文本转语音模型，支持70多种语言，具备自然语言音频标签和多说话人对话功能。该模型在行业基准测试中得分1211，提供复杂的控制层，允许开发者根据场景调整语气、语速和口音。同时，集成的SynthID水印技术可识别AI生成内容，确保信息透明。

音频生成技术正向端到端生成演进。美团LongCat团队推出LongCat-AudioDiT，直接在波形潜空间进行文本转语音，避免信息损失。该模型在Seed基准测试中表现优异，取得了SOTA的说话人相似度和可懂度，展现出强大的零样本语音克隆能力。

WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。ASR部分通过图像提示自然采集语音，TTS部分在录音棚中高质量录制，确保语音一致性。

云通信平台Voximplant宣布支持Cartesia Line，简化AI代理开发。开发者可直接连接电话、SIP和WhatsApp，无需自定义基础设施，Voximplant负责电话层管理，团队可专注于座席逻辑。该平台支持文本转语音和语音克隆，助力企业快速实现语音AI转型。

GLM-TTS 是一个基于多奖励强化学习的文本转语音系统，支持零样本情感表达和多维度控制，旨在生成自然且富有情感的语音，适用于语音助手和有声书等场景，采用开源许可，便于社区使用与扩展。

文章介绍了多个开源AI工具，包括离线语音转文本的Handy、自动化壁纸工具、截图工具Snow Shot、命令行AI工具AionUi、安卓自动化工具Ruto-GLM、本地AI代理Openwork、文本转自然语音的VibeVoice、微信聊天记录分析工具WeFlow，以及谷歌的AI工作流Opal。这些工具提升了用户的工作效率和体验。

CAMB.AI推出MARS8，这是首个针对不同生产环境设计的文本转语音系统，克服了通用模型的局限。MARS8提供四种架构，优化特定需求，并采用计算优先的定价模式，降低企业成本，标志着生产级语音AI的重大进展。

本文介绍了如何将技术博客文章转换为个人播客。用户可以通过构建Node.js脚本，从RSS源获取文章，过滤不需要的内容，清理文本，使用文本转语音API生成音频，最后上传到Cloudflare R2并生成播客RSS源，实现自动化，方便用户在手机上订阅播客。

将博客文章转为音频是一种有效的传播方式。利用OpenAI的文本转语音模型，可以创建服务，提取博客内容并生成MP3文件。通过FastAPI构建后端，用户可上传文本或链接以获取音频文件，最后将服务部署到Sevalla，实现在线使用。

近年来，零样本文本转语音（TTS）系统取得进展，但仍存在局部错误。西工大与喜马拉雅合作提出细粒度偏好优化（FPO），有效修复问题片段，提升语音合成的鲁棒性和数据效率。实验结果显示，FPO在可懂度和自然度上显著优于传统方法。

Resemble AI 发布了开源的 Chatterbox-Turbo 对话式文本转语音模型，具备情绪控制功能，采用非自回归架构，显著提高生成速度和音质，适用于智能客服、游戏和教育等领域。

微软开源的VibeVoice是一种新型文本转语音（TTS）合成技术，能够生成高保真、多说话人的长语音。该技术采用下一token扩散方法，显著提高了长序列处理的效率和音频质量，支持最多4名说话人的对话，表现超越现有模型。用户可通过HyperAI官网体验实时语音合成服务。

GLM-TTS是Zai推出的文本转语音项目，专注于可控的情感和语音风格生成。它采用零样本多奖励强化学习，能够生成特定情感的自然语音，支持情感强度和语速等多维度控制，适用于语音助手和有声书等场景。

VoxCPM是OpenBMB推出的开源无分词文本转语音系统，支持上下文感知和零-shot语音克隆，基于MiniCPM-4，适用于语音助手和媒体配音等高保真合成任务。

IMS Toucan是斯图加特大学自然语言处理研究所开发的开源文本转语音工具包，支持7000多种语言，适用于研究和工程。它提供训练和推理接口以及预训练模型，强调高质量的多语言合成，适合学术研究和语音助手等多种应用场景。