MoE-TTS,崑崙萬維語音團隊於2025年8月推出的首個基於MOE的角色描述語音合成框架。
基本介紹
- 外文名:MoE-TTS
- 屬性:角色描述語音合成框架
MoE-TTS,崑崙萬維語音團隊於2025年8月推出的首個基於MOE的角色描述語音合成框架。
Mureka-Speech 是崑崙萬維推出的基於MOE的語音合成框架,主要用於角色配音。發展歷史 2025年8月15日,崑崙萬維正式上線音樂模型Mureka V7.5。同時,在語音模型方向上,崑崙萬維語音團隊推出MoE-TTS——首個基於MOE的角色描述語音合成框架。MoE-TTS目前仍在疊代中,後續規劃將集成至旗下Mureka-Speech平台作為角色配音的...
MiMo-V2-TTS是小米自主研發的語音合成大模型。該模型基於自研Audio Tokenizer和多碼本語音-文本聯合建模架構,經過上億小時語音數據的大規模預訓練與多維度強化學習,實現了高度可控的多粒度語音風格控制。MiMo-V2-TTS支持多方言、多角色、多語氣及歌聲合成。MiMo-V2-Flash MiMo-V2-Flash是開源高效推理模型,專為代碼...
MiMo-V2-Pro與MiMo-V2-Omni已開放API服務,Xiaomi MiMo-V2-TTS為語音合成大模型。4月,小米正式推出自研MiMo大模型的首個Token Plan訂閱套餐。2026年4月16日,小米申請註冊“Xiaomi miclaw”商標,國際分類為科學儀器、設計研究,當前商標狀態為註冊申請中。核心技術 MiMo大模型採用了混合專家(MoE)架構。其模型MiMo...
千問大模型(Qwen)是阿里巴巴集團通義實驗室於2023年8月推出的開源大語言模型系列,涵蓋密集模型與混合專家(MoE)架構,參數規模覆蓋0.5B至3970B。該系列構建了包含大語言、數學、代碼及視覺生成基座萬相2.1的多模態能力體系,支持119種語言,截至2026年1月衍生模型數突破20萬款,成為全球首個達成此目標的開源大...
2026年3月16日訊息,小米 AI 實驗室研究員羅福莉作為作者之一發表了名叫 ARL-Tangram: Unleash the Resource Efficiency in Agentic Reinforcement Learning的論文,直指AI Agent痛點。3月19日,羅福莉負責的小米MiMo大模型推出:旗艦基座大模型MiMo-V2-Pro、全模態Agent模型MiMo-V2-Omni、MiMo-V2-TTS。科研成果 2019年...
小度車載智慧助手是百度基於文心大模型打造的車載座艙智慧型體,依託Apollo智艙大模型進行專項訓練調優,通過與車載語音及基礎設施深度融合,提供AI問答、靈感繪畫、用車顧問等車載AI原生套用。該產品採用MoE架構實現端雲融合部署,車端部署10億+70億模型,雲端使用百億+千億模型,配備開發工具鏈支持車企定製化需求。目前已...
2026年3月19日,小米正式認領此前在OpenRouter平台引發熱議的代號“Hunter Alpha”的神秘模型,並宣布推出三款大模型——MiMo-V2-Pro、MiMo-V2-Omni和MiMo-V2-TTS。團隊負責人羅福莉表示,這是小米首款為智慧型體時代打造的全棧產品系列,並承諾MiMo-V2系列模型會開源。技術特色 MiMo團隊的技術研發注重推理效率與低成本...
美團使用LongCat-Flash-Lite MoE(68.5B總參數,3B激活參數)作為基座進行訓練。官方測試顯示,LongCat-Next在視覺理解(如OmniDocBench0.152/0.226、MathVista 83.1)、圖像生成(LongText-Bench 93.15)、音頻(如TTS任務WER低至1.90)以及純文本任務(MMLU-Pro 77.02、C-Eval86.80)等多個維度上均達到...
2026年3月19日,小米大模型(Xiaomi MiMo)團隊發文,正式發布MiMo-V2-Pro & Omni & TTS 三款大模型。3月21日,據小米官方訊息,小米MiMo大模型聯合OpenClaw、OpenCode、KiloCodee、Cline和BLACKBOXAI五大主流Agent框架,向全球開發者開放為期一周的免費API接口。3月26日,小米大模型宣布,Xiaomi MiMo 聯合 Open...
2025年5月,TeleAI 星辰語音大模型推出“文音雙流語音生成技術 GOAT-TTS”,構建從語音提示理解到語音內容生成的端到端解決方案。 2025年6月,TeleAI 發布智傳網(AI Flow)相關研究技術報告“AI Flow: Perspectives, Scenarios, and Approaches”。 2025年6月,TeleAI 開源類人行為驅動的人形機器人全身運動控制框架...
LongCat-Flash-Omni在自動語音識別(ASR)、文本到語音(TTS)、語音續寫、語音到文本翻譯(S2TT)及音頻理解等任務中,多項指標達到當前開源模型中的先進水平(SOTA)。其在實時音視頻互動方面的評分接近部分閉源模型。在視頻理解任務中,LongCat-Flash-Omni在視頻到文本任務上性能達到當前先進水平,在短視頻理解任務中...
豆包大模型1.5具備多模態能力,採用稀疏MoE架構,其訓練未使用其他模型生成的數據。其推理模型Seed-Thinking-v1.5可用於處理複雜用戶場景。語音合成模型2.0(Doubao-Seed-TTS 2.0)和聲音復刻模型2.0具備語義理解和聲音合成功能,針對教育場景複雜公式符號的合成平均準確率約為90%。視頻生成模型Seedance 2.0採用雙...
該大模型圍繞GPS軌跡+視覺+語音打造新一代LLM-Based的自然互動,融合人類意圖理解、長期記憶機制、情感大模型及TTS克隆,為用戶提供超擬人的情感陪伴服務。使用MOE架構、FlashAttention混合精度訓練、知識蒸餾等技術大幅降低算力需求和計算時間。針對眼鏡端最佳化,ASR字錯率低於2%。同時,2024年2月18日,李未可科技通過深度...
該能力依託為角色扮演最佳化的語音通話架構:前端ASR捕捉用戶情感語調;中控RolePlay LLM具備語境維持與劇情演繹能力;後端TTS實現角色原聲復刻。混元角色扮演大模型還實現了角色原聲復刻(音色克隆)的能力。套用場景 影視娛樂 混元角色扮演大模型套用於影視IP互動場景。該模型是騰訊視頻“AI打電話”功能的技術組成部分,可將...
MiniMax-abab”大模型通過國家首批大模型服務備案,8月底,MiniMax“abab”大模型全面開放;9月,上線AI原生套用星野;11月,在2023年徐匯區進博會投資推介季啟動儀式中與徐匯區進行合作簽約;12月28日,MiniMax副總裁魏偉在數字中國論壇成立大會暨數位化發展論壇的一場分論壇上透露稱,將發布中國首個基於MoE(Mixture-...
在NLP之外, TTS,ASR等領域也在逐步採用Transformer。可以預見,Transformer這個簡潔有效的網路結構會像CNN和RNN一樣被廣泛採用。然而,雖然Transformer在多種場景下都有優秀的表現,但是在推理部署階段,其計算性能卻受到了巨大的挑戰:以BERT為原型的多層Transformer模型,其性能常常難以滿足線上業務對於低延遲(保證服務...
2.2訓練 Swin Transformer模型16.2.3使用Swin Transformer預訓練模型進行對象分類16.3使用DETR預訓練模型進行對象檢測16.4本章總結第17章Transformer模型音頻領域實例17.1語音識別模型17.1.1Whisper語音識別模型簡介17.1.2Whisper語音識別模型的代碼實現17.2語音合成模型17.2.1ChatTTS語音合成模型簡介17.2.2ChatTTS...
