AI文本转语音已经进化到这种程度了吗？(⊙ˍ⊙)莎士比亚戏剧腔、体育赛事激情解说、沉浸式有声书等诸多玩法简直轻松拿捏，而且听起来确实人机傻傻分不清楚~
在人工智能技术日新月异的今天，语音合成（TTS）领域正经历着一场前所未有的技术革命。最新一代文本转语音系统不仅能够生成媲美真人音质的高保真语音，更实现了「只听一次」就能完美复刻目标音色的零样本克隆能力。
关于AI智能体，GDC上腾讯游戏魔方工作室分享了《F.A.C.U.L：首个懂人类语言的 FPS AI 队友》的演讲(这个技术去年就有曝光)，项目融合语音输入、大语言模型、实时文本转语音等生成式AI技术，让玩家能与AI队友沉浸式协同作战。
就在刚刚，OpenAI 宣布在其 API 中推出全新一代音频模型，包括语音转文本和文本转语音功能，让开发者能够轻松构建强大的语音 Agent。据 OpenAI 介绍，新推出的 gpt-4o-transcribe 采用多样化、高质量音频数据集进行了长时间的训练，能更好地捕获语音细微差别，减少误识别，大幅提升转录可靠性。
播客录制和编辑平台 Podcastle ，如今也加入了 AI 文本转语音竞赛，发布了其名为 Asyncflow v1.0 的 AI 模型。同时，还将为开发者提供 API，使他们能够直接将文本转语音模型集成到自己的应用中。
Meta最近开源了一个7B尺寸的Spirit LM的多模态语言模型，能够理解和生成语音及文本，可以非常自然地在两种模式间转换，不仅能处理基本的语音转文本和文本转语音任务，还能捕捉和再现语音中的情感和风格。
未来人与人的交流，难道是这个样？
