IndexTTS2 是一种突破性的自回归零次学习文本到语音 (TTS) 模型，旨在解决大规模 TTS 系统中精确时长控制的挑战，这是视频配音等应用中的一个显著限制。它引入了一种创新的通用方法来进行语音时长控制，支持两种模式：一种是明确指定生成 tokens 的数量以实现精确时长，另一种是在自回归方式中自由生成语音。此外，IndexTTS2 实现了情感表达和说话者身份之间的解耦，能够通过单独的提示独立控制音色和情感。为了增强高度情感表达中的语音清晰度，该模型结合了 GPT 潜在表示，并利用了一种新颖的三阶段训练范式。为了降低情感控制的门槛，它还结合了一种基于 Text 描述的软指令机制，通过微调 Qwen3 来有效引导生成具有所需情感语气的语音。实验结果表明，IndexTTS2 在字错误率、说话者相似性和情感保真度方面优于最先进的零次学习 TTS 模型，并在多个数据集上表现出色。...

Fish Speech V1.5 是一个领先的开源文本到语音（TTS）模型。该模型采用创新的 DualAR 架构，具有双自回归 transformer 设计。它支持多种语言，英语和中文的训练数据超过 300,000 小时，日语超过 100,000 小时。在 TTS Arena 的独立评估中，该模型表现非常出色，ELO 得分为 1339。该模型在英语单词错误率（WER）为 3.5% 和字符错误率（CER）为 1.2%，中文字符错误率（CER）为 1.3% 的评估中表现优异。...

CosyVoice 2 是一个流式语音合成模型，基于一个大型语言模型，采用统一的流式/非流式框架设计。该模型通过有限标量量化（FSQ）增强了语音token码本的利用，简化了Text到语音语言模型的架构，并开发了一种块感知因果流式匹配模型，支持不同的合成场景。在流式模式下，模型实现了150毫秒的超低延迟，同时维持了与非流式模式几乎相同的合成质量。相比1.0版本，发音错误率降低了30%-50%，MOS分数从5.4提高到5.53，并支持对情感和方言的细粒度控制。该模型支持中文（包括方言：广东话、四川话、上海话、天津话等）、英文、日文、韩文，并支持跨语言和混合语言场景。...