Hacker News 音频技术 - 2026-01-15
1. Show HN：Sparrow-1——无需ASR、实现类人级对话轮换的原生音频模型
Tavus发布Sparrow-1对话流模型，通过预测对话主导权实现音频原生流处理，无需语音识别，在亚100毫秒延迟下实现无中断、类人时机的实时对话。
作者: code_brian | 发布于: 2026-01-14 18:01
2. Sopro TTS：一款可在CPU上运行的1.69亿参数零样本语音克隆模型
作者: sammyyyyyyy | 发布于: 2026-01-08 20:37
3. AI语音代理架构入门：STT-LLM-TTS与WebSocket详解
作者: aldersondev | 发布于: 2026-01-08 16:21
4. Sopro：一个拥有1.69亿参数、支持零样本语音克隆的实时TTS模型
作者: marques576 | 发布于: 2026-01-08 11:33
5. 英伟达发布Nemotron语音识别模型
作者: nathan_tarbert | 发布于: 2026-01-07 14:40
6. Show HN：Supertonic 2 —— 闪电般快速、设备端运行的多语言文本转语音
Supertonic是一款支持5种语言的本地化TTS模型，参数仅6600万，可在浏览器、手机等设备上运行，强调隐私和低延迟。
作者: login588 | 发布于: 2026-01-06 09:57
7. 完全本地运行的WebGPU免费TTS与STT
作者: kcordoc | 发布于: 2025-12-27 13:35
8. Qwen3-TTS 升级：支持语音克隆与语音设计
作者: pretext | 发布于: 2025-12-23 12:52
9. Show HN：MiraTTS，一款48kHz开源TTS，速度达实时100倍
MiraTTS是一个基于Spark-TTS优化的高质量本地文本转语音模型，通过FlashSR生成48kHz音频，并利用LMDeploy实现高速低延迟推理。
作者: Yatharth3501 | 发布于: 2025-12-18 16:24
10. 使用Docker在本地运行完整语音处理栈（语音识别→大语言模型→语音合成）
作者: 3Sophons | 发布于: 2025-12-18 14:25
11. ChatterBox Turbo：开源权重文本转语音模型
作者: Palmik | 发布于: 2025-12-16 07:22
12. STT编排：利用前沿说话人日志技术提升自有转录效果
作者: hbredin | 发布于: 2025-12-11 16:20
13. Show HN：PageEcho – 离线AI电子书阅读器（设备端TTS与AI）
PageEcho是一款iOS全本地化电子书阅读器，支持EPUB/PDF等多种格式，集成离线TTS和苹果智能分析功能，所有数据处理均在设备端完成，无需联网。
作者: page_echo | 发布于: 2025-12-11 13:16
14. Ind-QwenTTS：用纯正印度口音说“你的电脑有病毒”的文本转语音工具
作者: geniusyan | 发布于: 2025-12-05 17:29
15. Qwen3-TTS更新：支持49种音色、10种语言及9种方言
作者: pretext | 发布于: 2025-12-05 16:34
16. VoxCPM：无需分词器的TTS，实现上下文感知语音生成与声音克隆
作者: chaosprint | 发布于: 2025-12-05 15:35
17. Show HN：Gradium.ai TTS/STT API 的 Rust 客户端库
作者: irqlevel | 发布于: 2025-12-03 21:32
18. Show HN：Gradium.ai TTS/STT API 的 Go 语言客户端库
作者: irqlevel | 发布于: 2025-12-02 19:52
19. Omnilingual ASR：面向1600种语言的开源多语言语音识别
作者: PaulHoule | 发布于: 2025-12-01 14:19
20. 为何实验室模型声称准确率超95%，而实际场景的语音识别仍停留在85%左右？
探讨语音识别在真实场景中的瓶颈，如口音、噪音导致准确率下降，以及如何提升至99%以上可靠性的技术挑战。
作者: DoubleThing | 发布于: 2025-11-30 10:02