MOSS-TTS系列是MOSI.AI与OpenMOSS联合推出的多模型语音生成工具，克服了单一模型在复杂场景中的局限，支持高保真语音、对话和实时交互，适用于多种语言和风格切换。

Transformer的核心是自注意力机制，其计算公式为：Attention(Q,K,V)=softmax(QKT/√dk)V，其中Q、K、V分别表示查询、键和值矩阵。

Inworld AI 推出了 TTS-1.5，显著提升了实时语音代理的延迟和质量。Max 型号音频延迟低于 250 毫秒，Mini 型号低于 130 毫秒，性能和稳定性分别提高 30% 和 40%。该系统支持 15 种语言，并提供语音克隆功能，定价合理，适合高使用率产品。

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。

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。

ZEGO 实时互动 AI Agent v2.9.0 发布，新增 TTS 文本转语音功能，支持特定字符串过滤。通过 Responses API 调用豆包 Seed 系列模型时可自动开启缓存，降低互动延迟和成本。同时优化了语音实例和数字人实例的互动延迟，并修复了回调问题。

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。

全球OTT和流媒体平台面临本地化挑战，传统配音成本高且耗时。AI文本转语音（TTS）技术通过云端处理，降低成本70%，提高效率，确保多语言版本及时发布，满足观众对母语内容的需求。

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。

Dia2是Nari Labs开发的开源文本转语音模型，专注于流式对话音频，支持在接收初始输入后生成音频，并保持说话者一致性。提供1B和2B模型检查点及快速启动指南，适用于实时语音助手和对话系统。

Inworld与Modular合作成功，'Inworld TTS 1 MAX'模型在语音排行榜中位列第一。该平台测试了超过100种LLM，评估其智能、速度和成本。两款模型支持12种语言，具备语音克隆和情感标签功能，提升了文本转语音的性能与效率。

本文介绍如何使用Composio、Next.js和Gemini TTS构建一个与Google Sheets互动的AI代理，用户将学习AI代理的概念、工具集成、流式响应及文本转语音API的使用。