本周GitHub上出现了10个热门开源项目，这些项目能够替代高价AI工具，帮助用户每月节省高达1500美元。项目涵盖编程课程、上下文记忆和语音合成等，累计获得超过17万颗星标，反映出开发者对昂贵订阅费用的抵制。

微软于4月2日发布了三款新模型：MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2。MAI-Image-2在图像生成方面表现优异，适合设计与创意；MAI-Transcribe-1在嘈杂环境中稳定，适合会议与客服；MAI-Voice-1提供自然语音合成，情绪可控。这些模型在稳定性和实用性上有所提升。

本文介绍如何利用浏览器的语音合成功能为网页视频添加配音，提升用户体验。通过简单代码实现“字幕转语音”，用户可享受更生动的视频内容。Edge浏览器支持多种语言和声音选择，操作简便，适合快速验证想法。

生成式AI的语音合成技术不断进步，Qwen3-TTS模型支持多语言、语音克隆和细粒度控制，已在HyperAI官网上线，用户可体验3秒语音克隆。

Deepgram利用深度学习提升语音识别和合成能力，解决方言和噪音环境的挑战，并关注语音克隆的伦理问题。该公司致力于构建准确、可扩展且经济实惠的语音AI，推动语音技术的应用。

the-algorithm 是 Twitter 的推荐算法源代码，负责动态内容推送，支持个性化推荐。style-aligned 用于生成风格对齐图像，兼容 SDXL 和 ControlNet。cherry-markdown 是轻量级 Markdown 编辑器，支持多种编辑模式。HierSpeech++ 是零-shot 语音合成系统，提供高质量的 TTS 和 VC 功能。LucidDreamer 用于生成 3D 场景。

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。

火山引擎在武汉发布了四款豆包大模型，升级至1.6版本，支持多种思考长度，并推出新语音合成和复刻模型。智能模型路由功能帮助企业优化模型选择，提升效率和降低成本。预计到2025年，豆包大模型日均调用量将突破30万亿，火山引擎在公有云市场占有率达49.2%。

IndexTTS2是B站语音团队推出的新一代语音合成模型，优化了情感表达和时长控制。该模型通过“时间编码”机制解决了传统模型的时长控制问题，实现了音色与情感的解耦，并支持基于文本的情感调节。IndexTTS2在多项测试中表现优异，推动了零样本语音合成技术的实用化。

GStreamer 发布了 1.26.3 版本，新增语音合成元素，改进视频编解码器检测，修复多个安全和性能问题，包括 H.266 视频解析器和 MP4 复用器的缺陷。此外，增强了 DASH 客户端和 WebRTC 功能，并进行了多项错误修复和稳定性改进。

ReadSpeaker推出speechEngine插件，旨在提升视频游戏的可访问性，克服传统TTS的局限。该插件通过实时语音合成，帮助开发者在不增加成本和时间的情况下实现动态语音交互，确保语音AI的道德使用，促进包容性解决方案的构建。