在车载语音多轮对话训练中你如何训练模型掌握情感需求

以下是关于如何用 AI 模型做训练的相关内容： 要在医疗保健领域让 AI 产生真正的改变，应投资创建像优秀医生和药物开发者那样学习的模型生态系统。成为顶尖人才通常从多年密集信息输入和学徒实践开始，AI 也应如此。当前的学习方式存在问题，应通过堆叠模型训练，如先训练生物学、化学模型，再添加特定数据点。就像预医学生从基础课程学起，设计新疗法的科学家经历多年学习和指导，这种方式能培养处理细微差别决策的直觉。 大模型的构建过程包括： 1. 收集海量数据：如同教孩子博学多才要让其阅读大量资料，对于 AI 模型要收集互联网上的各种文本数据。 2. 预处理数据：像为孩子整理适合的资料，AI 研究人员要清理和组织收集的数据，如删除垃圾信息、纠正拼写错误等。 3. 设计模型架构：为孩子设计学习计划，研究人员要设计 AI 模型的“大脑”结构，通常是复杂的神经网络，如 Transformer 架构。 4. 训练模型：像孩子开始学习，AI 模型开始“阅读”数据，通过反复预测句子中的下一个词等方式逐渐学会理解和生成人类语言。 为提高 AI 模型的鲁棒性，应对可能的“恶意”样本数据导致的幻觉，可使用对抗训练技术，让模型在训练中接触并学会识别和抵抗。

训练自己的小说大纲模型可以参考以下步骤： 步骤一：创建数据集 1. 进入厚德云模型训练数据集，网址为：https://portal.houdeyun.cn/sd/dataset 。 2. 在数据集一栏中，点击右上角创建数据集。 3. 输入数据集名称。 4. 可以上传包含图片+标签的 zip 文件，也可以只有图片没有打标文件（之后可在 c 站使用自动打标功能）。 5. 也可以一张一张单独上传照片，但建议提前把图片和标签打包成 zip 上传。 6. Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。 7. 上传 zip 以后等待一段时间。 8. 确认创建数据集，返回到上一个页面，等待一段时间后上传成功，可以点击详情检查，可预览到数据集的图片以及对应的标签。 步骤二：Lora 训练 1. 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。 2. 选择数据集，点击右侧箭头，会跳出所有上传过的数据集。 3. 触发词可有可无，取决于数据集是否有触发词。 4. 模型效果预览提示词则随机抽取一个数据集中的标签填入即可。 5. 训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数。如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数。 6. 可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。 7. 然后等待训练，会显示预览时间和进度条。训练完成的会显示出每一轮的预览图。 8. 鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 步骤三：Lora 生图 1. 点击预览模型中间的生图会自动跳转到这个页面。 2. 模型上的数字代表模型强度，可以调节大小，正常默认为 0.8，建议在 0.6 1.0 之间调节。 3. 也可以自己添加 lora 文件，点击后会显示训练过的所有 lora 的所有轮次。 4. VAE 不需要替换。 5. 正向提示词输入写的提示词，可以选择基于这个提示词一次性生成几张图。 6. 选择生成图片的尺寸，横板、竖版、正方形。 7. 采样器和调度器新手小白可以默认不换。 8. 迭代步数可以按照需求在 20 30 之间调整。 9. CFG 可以按照需求在 3.5 7.5 之间调整。 10. 随机种子 1 代表随机生成图。 11. 所有设置都好了以后，点击开始生态，生成的图会显示在右侧。 12. 如果有哪次生成结果觉得很不错，想要微调或者高分辨率修复，可以点开那张图，往下滑，划到随机种子，复制下来，粘贴到随机种子这里，这样下次生成的图就会和这次的结果近似。 13. 如果确认了一张很合适的种子和参数，想要高清放大，则点开高清修复，可以选择想放大的倍数。新手小白可以就默认这个算法，迭代步数也是建议在 20 30 之间，重回幅度根据需求调整，正常来说在 0.3 0.7 之间调整。 今日作业 按照比赛要求，收集六个主题中一个主题的素材并且训练出 lora 模型后提交 lora 模型与案例图像。提交链接:https://waytoagi.feishu.cn/share/base/form/shrcnpJAtTjID7cIcNsWB79XMEd 。 另外，直接在 Comfy UI 中训练 LoRA 模型的步骤如下： 1. 确保后面有一个空格。然后将 requirements_win.txt 文件拖到命令提示符中（如果在 Windows 上；否则，选择另一个文件 requirements.txt）。拖动文件将在命令提示符中复制其路径。 2. 按 Enter 键，这将安装所有所需的依赖项，使其与 ComfyUI 兼容。请注意，如果为 Comfy 使用了虚拟环境，必须首先激活它。 3. 教程： 图像必须放在一个以命名的文件夹中。那个数字很重要：LoRA 脚本使用它来创建一些步骤（称为优化步骤…但别问我是什么^^’）。它应该很小，比如 5。然后，下划线是必须的。 对于 data_path，必须写入包含数据库文件夹的文件夹路径。例如：C:\\database\\5_myimages ，必须写 C:\\database 。 对于参数，在第一行，可以从 checkpoint 文件夹中选择任何模型。据说必须选择一个基本模型进行 LoRA 训练。但也可以尝试使用微调。

训练自己的模型可以参考以下内容： 基于百川大模型： 选择 Baichuan27BChat 模型作为底模，配置模型本地路径和提示模板。 在 Train 页面里，选择 sft 训练方式，加载定义好的数据集（如 wechat 和 self_cognition）。 注意学习率和训练轮次的设置，要根据数据集大小和收敛情况来调整。 使用 FlashAttention2 可减少显存需求，加速训练速度。 显存小的情况下，可以减少 batch size 并开启量化训练，内置的 QLora 训练方式好用。 需要用到 xformers 的依赖。 显存占用约 20G 左右，训练时间根据聊天记录规模大小而定，少则几小时，多则几天。 训练自己的 AI 绘画模型（Stable Diffusion）： 样本采样器（sample_sampler）：可选择，默认是“ddim”。 保存模型格式（save_model_as）：可选择，SD WebUI 兼容"ckpt"和"safetensors"格式模型。 训练流程主要包括： 训练集制作：数据质量评估、标签梳理、数据清洗、标注、标签清洗、增强等。 训练文件配置：预训练模型选择、训练环境配置、训练步数及其他超参数设置等。 模型训练：运行训练脚本，使用 TensorBoard 监控。 模型测试：用于效果评估与消融实验。 训练资源： Rocky 整理优化过的 SD 完整训练资源 SDTrain 项目，可通过关注公众号 WeThinkIn，后台回复“SDTrain”获取。

AI 训练师是一种新兴职业，其职责和工作内容因具体领域和应用场景而有所不同。 例如，在 AI 教育培训和商业应用方面，像星动 AI 联合创始人李先森所从事的工作，可能包括对学员进行 AI 相关知识和技能的培训，以及参与 AI 项目的测评和指导等。 在 AI 设计领域，AI 训练师可能需要负责 AI 风格的开发和调试工作，参与项目的整体风格和审美定义。根据产品需求完成风格渲染的研发、测试、配置和维护，熟练使用 StableDiffusion Web UI 等 AI 框架进行风格研发，负责 AI 模型（如 LoRA，Prompt/Prompt Sentence）的训练、参数调整以及性能优化，编写高质量的渲染记录文档，进行配置和模型训练质量控制，并为团队提供技术支持和指导，解决技术难题。 总之，AI 训练师需要具备相关的专业知识和技能，以帮助 AI 系统更好地学习和优化，从而实现各种应用目标。

在多轮对话训练中，让模型掌握情感需求可以通过以下几种方式： 1. 利用相关数据集进行训练，例如： Guanaco：地址为，是一个使用 SelfInstruct 的主要包含中日英德的多语言指令微调数据集。 chatgptcorpus：地址为，开源了由 ChatGPT3.5 生成的 300 万自问自答数据，包括多个领域，可用于训练大模型。 SmileConv：地址为，数据集通过 ChatGPT 改写真实的心理互助 QA 为多轮的心理健康支持多轮对话，含有 56k 个多轮对话，其对话主题、词汇和篇章语义更加丰富多样，更符合长程多轮对话的应用场景。 2. 在创建提示时采用结构化模式，为模型提供一些情感需求的示例，如： |输入|输出| ||| |一部制作精良且有趣的电影|积极的| |10 分钟后我睡着了|消极的| |电影还行|中性的| 然后单击页面右侧的提交按钮。该模型现在可为输入文本提供情绪。还可以保存新设计的提示。 3. 在多轮次对话中，定期总结关键信息，重申对话的目标和指令，有助于模型刷新记忆，确保准确把握对话的进展和要点。 4. 进行意图识别和分类，特别关注在单一模型或情境中处理多个小逻辑分支的情况。例如在客户服务场景中，快速确定用户提出咨询、投诉、建议等多种类型请求的意图，并分类到相应处理流程中。

作为 LLM 训练的下游任务，一般的训练流程如下： 1. 首先从大量文本数据中训练出一个基础 LLM。 2. 随后使用指令和良好尝试的输入和输出来对基础 LLM 进行微调和优化。 3. 接着通常使用称为“人类反馈强化学习”的技术进行进一步细化，以使系统更能够有帮助且能够遵循指令。 在训练过程中，会涉及到一些相关的理论探讨和评价指标： 理论探讨方面，如在推理阶段对 InContext Learning 能力的运行分析，将其视为隐式微调，通过前向计算生成元梯度并通过注意力机制执行梯度下降，且实验表明 LLM 中的某些注意力头能执行与任务相关的操作。 评价指标方面，entropylike 指标（如 crossentropy 指标）常用于表征模型的收敛情况和测试集的简单评估（如 Perplexity 指标），但对于复杂的下游应用，还需更多指标，如正确性（Accuracy）、信息检索任务中的 NDCG@K 指标、摘要任务中的 ROUGE 指标、文本生成任务中的 BitsperByte 指标、不确定性中的 ECE 指标、鲁棒性（包括 invariance 和 equivariance）、公平性、偏见程度和有毒性等。

聊天模型的会话补全： 聊天模型以一串聊天对话作为输入，并返回模型生成的消息作为输出。聊天格式虽为多轮对话设计，但对单轮任务也有用。API 调用中，messages 参数是主要输入，须为消息对象数组，包含角色（“system”“user”“assistant”）和内容。会话通常先有系统消息设定助手行为，然后交替使用用户和助手消息。用户消息指示助手，助手消息存储之前响应。当用户指令涉前消息时，包含聊天历史有帮助，若会话 token 超模型限制需缩减。 RAG 提示工程中的多轮对话与指代消解： 先前讨论多关注单轮问答，现实中常需处理多轮对话，其中常产生指代问题，如用“它”“他们”等，仅依原始提问检索知识片段可能致结果不精确或无法检索，且对模型回复内容限制可能影响多轮对话流畅性甚至中断。因此需开发提示词解决指代消解问题，确保模型连续交流中回答准确连贯。由于指代消解需多轮对话完成，单次交互不行，需转换测试形式，先解决指代消解再进行下一轮答复。首先准备所需提示词，其是用 CoT 写出的思维链，列举不同推理情景让模型推理并消解代词，再依结果重新组织问题。然后复现指代消解步骤，包括进行第一轮对话（如提问“尼罗河是什么”并获回复）和开始指代消解。

设计一个多轮对话的 AI 命题 Agent 可以从以下几个方面考虑： 1. 自然语言交互： 多轮对话能力：LLM 应能理解自然语言并生成连贯且与上下文相关的回复，以帮助 Agent 进行有效交流。 生成能力：LLM 要展示卓越的自然语言生成能力，生成高质量文本。 意图理解：LLMs 能够理解人类意图，但需注意模糊指令可能带来挑战。 2. 知识： 语言知识：包括词法、句法、语义学和语用学，使 Agent 能理解句子和进行对话。 常识知识：如药和伞的用途等世界常识，帮助 Agent 做出正确决策。 专业领域知识：特定领域如编程、医学等知识，对解决领域内问题至关重要。但要注意知识可能过时或错误，需通过重新训练或编辑 LLM 解决。 3. 记忆： 记忆机制：存储过去的观察、思考和行动，帮助 Agent 处理连续任务。 记忆提升策略：包括提高输入长度限制、记忆总结、用向量或数据结构压缩记忆。 记忆检索：Agent 检索记忆以访问相关信息，包括自动检索和交互式记忆对象。 4. 推理和规划： 推理：基于证据和逻辑，对解决问题、决策至关重要。 规划：组织思维、设定目标和确定实现目标的步骤。 计划制定：分解任务、制定计划，包括一次性全面分解和自适应策略。 以国内版 Coze 为例，在实际操作中： 1. 对话引擎：目前国内版暂时只支持使用“云雀大模型”作为对话引擎，其携带上下文轮数默认为 3 轮，可修改区间是 0 到 30，具体轮数根据业务需求决定。 2. 为 Bot 添加技能： 在 Bot 编排页面的“技能”区域，为 Bot 配置所需的技能。 若不懂插件，可选择区域右上角的“优化”按钮，让 AI Bot 根据提示词自动选择插件。 也可自定义添加所需插件，点击插件区域的“+”号选择加入具体插件。 如 Bot 需要获取 AI 新闻，可添加新闻搜索接口。 3. 测试 Bot：在 Bot 编排页面的“预览与调试”区域，测试 Bot 是否按预期工作，可清除对话记录以开始新的测试，确保 Bot 能理解用户输入并给出正确回应。

在设计大模型语音座舱功能中的上下文多轮对话场景时，对于否定的情况，需要准确识别用户表达的否定意图，并据此调整后续的回应策略。例如，当用户说“不要这样做”，系统要理解并停止当前可能进行的相关操作。 指代方面，要能够解析用户话语中的各种指代关系，比如“那个东西”“这个方案”等，通过上下文和语境来明确其具体所指。 延展的场景设计则要鼓励用户进一步展开话题，例如当用户提到一个主题后，系统可以通过提问或提供相关信息来引导用户深入阐述，比如“能再多和我讲讲吗？”或者“那您对这方面还有其他的想法吗？”

Coze 是字节跳动旗下的智能对话机器人服务平台，你可以使用 Coze 实现多轮对话。以下是一些步骤： 1. 创建一个 Coze 应用并配置你的模型：首先，你需要在 Coze 平台上创建一个应用，并选择一个适合你需求的模型。你可以选择使用预训练的模型，也可以上传自己的模型进行训练。 2. 配置对话流程：在 Coze 中，你可以配置对话流程，包括设置对话轮数、添加对话节点等。你可以根据你的需求配置不同的对话流程。 3. 训练你的模型：在配置完对话流程后，你需要训练你的模型。你可以使用 Coze 提供的训练数据进行训练，也可以上传自己的训练数据进行训练。 4. 部署你的模型：在训练完你的模型后，你可以将其部署到 Coze 平台上，并开始使用它进行多轮对话。 需要注意的是，Coze 是一个智能对话机器人服务平台，它提供了一些工具和功能来帮助你实现多轮对话。但是，你需要根据你的需求和场景进行配置和调整，以确保它能够满足你的需求。

高质量的SFT（Supervised FineTuning）多轮对话数据集在训练对话系统时至关重要。以下是一些公认的高质量多轮对话数据集： 1. ConvAI2 Dataset ConvAI2数据集是基于PersonaChat数据集构建的，用于ConvAI2挑战赛。它包含了多轮对话，且每个对话都有明确的角色和背景信息，有助于训练更具个性化的对话系统。 链接: 2. DSTC系列数据集 DSTC（Dialogue State Tracking Challenge）系列数据集是多轮对话系统研究中的经典数据集，涵盖了多种任务和领域，如任务导向对话、对话状态跟踪等。 DSTC2: 专注于餐馆预订任务。 DSTC3: 扩展了DSTC2，增加了更多的任务和对话状态。 DSTC6: 涉及对话行为理解和对话状态跟踪。 链接: 3. MultiWOZ Dataset MultiWOZ（MultiDomain Wizard of Oz）是一个大规模、多领域任务导向对话数据集，涵盖了多个对话场景，如餐馆预订、酒店预订、出租车预订等。数据集中的对话是由实际用户和客服人员通过WizardofOz方法生成的，质量较高。 链接: 4. Ubuntu Dialogue Corpus Ubuntu Dialogue Corpus是一个大规模、多轮对话数据集，基于Ubuntu的IRC日志。数据集包含技术支持对话，适用于训练技术支持和问答系统。 链接: 5. CoQA Dataset CoQA（Conversational Question Answering）数据集用于对话式问答系统的训练。数据集中每个对话包含一个给定的文本和相关的问题回答对。 链接: 6. TopicalChat Dataset TopicalChat数据集是微软创建的，用于开发和评估开放领域对话系统。数据集包括不同主题的多轮对话，涉及科技、娱乐、体育等多个领域。 链接: 7. PersonaChat Dataset PersonaChat数据集包含多轮对话，每个对话参与者都有预定义的个人信息或“persona”，旨在开发更具个性化和情感的对话系统。 链接: 总结 这些数据集覆盖了多种对话场景和任务类型，是开发高质量对话系统的重要资源。在使用这些数据集进行训练时，可以结合具体的应用场景和需求，选择合适的数据集进行SFT。

在车载语音助手这一行业的语音数据标注中，特殊标注规则如下： 1. 音素覆盖：在录音开始前构建基础的文本前端，具备简单的文本转音素（G2P）系统。录音文本要保持多样性，音素或音素组合尽可能覆盖全，统计音素序列中的 NGram，避免某些音素或组合出现频次过高或过少。 2. 场景定制：收集车载播报的常用话术、专业术语（如油量、胎压等）、音乐名或歌手名、地名和新闻播报。对业务有一定理解，并在一开始就和需求方紧密沟通。 3. 文本正确性：确保录音文本拼写无误，内容正确，删除脏话、不符合宗教信仰或政治不正确的语句。

人工智能在汽车行业的应用非常广泛，以下是一些相关方面，包括车载语音助手： 1. 自动驾驶技术：利用 AI 进行图像识别、传感器数据分析和决策制定，实现汽车自主导航和驾驶，如特斯拉、Waymo 和 Cruise 等公司都在开发和测试。 2. 车辆安全系统：AI 用于增强自动紧急制动、车道保持辅助和盲点检测等系统，通过分析数据预防事故。 3. 个性化用户体验：根据驾驶员偏好和习惯调整车辆设置，如座椅位置、音乐选择和导航系统。 4. 预测性维护：分析车辆实时数据，预测潜在故障和维护需求，减少停机和维修成本。 5. 生产自动化：在汽车制造中用于自动化生产线，提高效率和质量控制。 6. 销售和市场分析：汽车公司用 AI 分析市场趋势、消费者行为和销售数据，制定策略和优化定价。 7. 电动化和能源管理：在电动汽车的电池管理和充电策略中发挥作用，提高能源效率和电池寿命。 8. 共享出行服务：如 Uber 和 Lyft 等，用 AI 优化路线规划、车辆调度和定价策略。 9. 语音助手和车载娱乐：AI 驱动的语音助手，如 Amazon Alexa Auto 和 Google Assistant，允许驾驶员通过语音控制车辆功能、获取信息和娱乐内容。 10. 车辆远程监控和诊断：AI 系统远程监控车辆状态，提供实时诊断和支持。 此外，SoundHound AI 与 Perplexity 合作将在线智能问答功能引入汽车的语音助手，可查询油价、电影演员阵容等信息。详细内容：https://xiaohu.ai/p/7737

车载 AI 智能体是一种应用于车辆领域的智能体。 智能体一般被赋予更高级的目标，并拥有更多实现目标的方法和工具选择自由度。同时，受程序性知识指导，遵循组织期望的执行方式，拥有预定义工具，并受保护栏和审查措施约束。 在应用方面，智能体在各种领域扮演重要角色，如： 1. 自动驾驶：感知周围环境，做出驾驶决策。 2. 家居自动化：根据环境和用户行为自动调节设备。 3. 游戏 AI：游戏中的对手角色和智能行为系统。 4. 金融交易：根据市场数据做出交易决策。 5. 客服聊天机器人：通过自然语言处理提供客户支持。 6. 机器人：各类机器人中集成的智能控制系统。 设计和实现一个智能体通常涉及以下步骤： 1. 定义目标：明确需要实现的目标或任务。 2. 感知系统：设计传感器系统采集环境数据。 3. 决策机制：定义决策算法，根据感知数据和目标做决策。 4. 行动系统：设计执行器或输出设备执行决策。 5. 学习与优化：若为学习型智能体，设计学习算法以改进。 领先的智能体公司似乎正在收敛于一种在自主性和控制之间寻找折衷的架构。新兴的 AI 智能体示例包括；以及横跨销售、安全运营和供应链等领域的许多其他智能体。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

车载语音唤醒技术原理： 出门问问的语音合成（TTS）技术可以应用于车载导航语音合成的个性化语音播报等场景。其接口请求域名是 https://open.mobvoi.com/api/tts/v1 ，接口请求频率限制为 5 次/秒。该技术可以将任意文本转化为语音，实现让机器和应用张口说话。它提供了普通话、台湾腔、粤语、四川话、东北话等多种方言，数百个发音人，上千种风格，满足不同场景的选择需求。实时合成支持 SSML，语法详见 SSML 标记语言。请求参数方面，HTTP Method 支持 POST 请求，并具有相应的调用参数及说明。

以下是人工智能在车载相关领域的应用： 1. 市场与销售分析：汽车公司利用 AI 分析市场趋势、消费者行为和销售数据，以更好地理解客户需求，制定营销策略和优化产品定价。 2. 电动化和能源管理：在电动汽车中，AI 用于优化电池使用和充电时间，提高能源效率和延长电池寿命。 3. 共享出行服务：如 Uber 和 Lyft 等共享出行平台，借助 AI 优化路线规划、调度车辆和定价策略，提升服务效率和用户满意度。 4. 语音助手和车载娱乐：AI 驱动的语音助手，如 Amazon Alexa Auto 和 Google Assistant，允许驾驶员通过语音控制车辆功能、获取信息和娱乐内容。 5. 车辆远程监控和诊断：AI 系统能够远程监控车辆状态，提供实时诊断和支持，帮助车主及时了解车辆状况并采取措施。 6. 自动驾驶技术：利用 AI 进行图像识别、传感器数据分析和决策制定，使自动驾驶汽车实现自主导航和驾驶，如特斯拉、Waymo 和 Cruise 等公司都在开发和测试。 7. 车辆安全系统：AI 用于增强自动紧急制动、车道保持辅助和盲点检测等系统，通过分析数据预防事故。 8. 个性化用户体验：根据驾驶员的偏好和习惯调整车辆设置，如座椅位置、音乐选择和导航系统，提供更舒适的驾驶体验。 9. 预测性维护：分析车辆实时数据，预测潜在故障和维护需求，减少停机时间和维修成本，提高车辆可靠性和效率。 10. 生产自动化：在汽车制造中，AI 用于自动化生产线，提高生产效率和质量控制，监测设备状态，优化生产流程并减少人为错误。

要使语音助手掌握情感意图，可以从以下几个方面考虑： 1. 明确“情绪识别系统”的概念：根据欧洲议会和欧盟理事会的规定，“情绪识别系统”是指根据自然人的生物数据识别或推断其情绪或意图的人工智能系统，例如快乐、悲伤、愤怒等，但不包括身体状态如疼痛或疲劳，也不包括仅仅检测容易察觉的表情、手势或动作，除非用于识别或推断情绪。 2. 借鉴相关研究和观点：如 AI 教父 Hinton 探讨的如果助手具有自我反省的能力，可能会有感觉，以及他提出的新的感觉模型。 3. 理解情感的重要性：情感对人类具有生存、沟通、决策、动机和维系等功能。比如，人类会因适应环境做出有利生存的生理反应，不同情感表达会使相同文字语言内涵不同，大脑决策依赖情感，情感能激发和维持个体行为，也是人类社会化维系的纽带。 4. 以情感计算为目标：情感计算旨在使计算机能够识别、感知、推断和理解人类的情感，最终赋予计算机类似人的情感能力。 总之，使语音助手掌握情感意图需要综合多方面的知识和技术，不断探索和创新。

以下是为您推荐的在线文本转语音（TTS）工具： 1. Eleven Labs：https://elevenlabs.io/ ，是一款功能强大且多功能的 AI 语音软件，能高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 2. Speechify：https://speechify.com/ ，是一款人工智能驱动的文本转语音工具，可作为多种应用程序使用，用于收听网页、文档、PDF 和有声读物等。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal ，是一套服务，提供 100 多种语言和方言的语音转文本和文本转语音功能，还提供自定义语音模型。 4. Voicemaker：https://voicemaker.in/ ，可将文本转换为各种区域语言的语音，并允许创建自定义语音模型，易于使用。 此外，还有 StyleTTS 2 这个开源的媲美 Elevenlabs 的文本转语音工具，其能够结合文本角色内容和场景音快速生成有声小说，具有多样化的语音风格、更自然的语音、高效生成、精确的语音控制、接近真人的语音合成和适应不同说话者等特点。工作原理是利用风格扩散和与大型语音语言模型（SLM）的对抗性训练来实现接近人类水平的 TTS 合成。 语音转文本（Speech to text）支持的语言包括：南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚文、保加利亚文、加泰罗尼亚文、中文、克罗地亚文、捷克文、丹麦文、荷兰文、英国英语、爱沙尼亚文、芬兰文、法国法式英语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印度尼西亚语、意大利语、日语、卡纳达语、哈萨克语、韩语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛里求斯语、尼泊尔语、挪威语、波斯语、波苏尼语、塔加洛语、泰米尔语、泰语、土耳其语、乌克兰语、乌尔都语等。 内容由 AI 大模型生成，请仔细甄别。

以下是关于语音克隆和文转语音的相关信息： GPTSoVITS： 是一个声音克隆和文本到语音转换的开源 Python RAG 框架。 只需 1 分钟语音即可训练一个自己的 TTS 模型。 5 秒数据就能模仿，1 分钟声音数据能训练出高质量 TTS 模型，完美克隆声音，适配中文。 主要特点包括零样本 TTS、少量样本训练、跨语言支持、易用界面、适用于不同操作系统、提供预训练模型。 GitHub 链接： 视频教程： Vidnoz AI： 支持 23 多种语言的配音，音质高保真。 支持文本转语音和语音克隆功能。 提供语音参数自定义和背景音乐添加工具。 提供面向个人和企业的经济实惠的定价方案。 其他人工智能音频初创公司： ：将书面内容转化为引人入胜的音频，并实现无缝分发。 ：专业音频、语音、声音和音乐的扩展服务。 （被 Spotify 收购）：提供完全表达的 AI 生成语音，带来引人入胜的逼真表演。 ：利用合成媒体生成和检测，带来无限可能。 ：一键使您的内容多语言化，触及更多人群。 ：生成听起来真实的 AI 声音。 ：为游戏、电影和元宇宙提供 AI 语音演员。 ：为内容创作者提供语音克隆服务。 ：超逼真的文本转语音引擎。 ：使用单一 AI 驱动的 API 进行音频转录和理解。 ：听起来像真人的新声音。 ：从真实人的声音创建逼真的合成语音的文本转语音技术。 ：生成听起来完全像你的音频内容。

以下是一些可以进行文转语音朗读文章的 AI： Kimi.ai KHANMIGO（KHAN ACADEMY 的 AI 指南），其基础模型可能会针对学生的学习风格，如为有阅读障碍的学生提供自动文本转语音的帮助。 语音转文本支持的语言包括：南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚文、保加利亚文、加泰罗尼亚文、中文、克罗地亚文、捷克文、丹麦文、荷兰文、英国英语、爱沙尼亚文、芬兰文、法国法式英语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印度尼西亚语、意大利语、日语、卡纳达语、哈萨克语、韩语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛里求斯语、尼泊尔语、挪威语、波斯语、波苏尼语、塔加洛语、泰米尔语、泰语、土耳其语、乌克兰语、乌尔都语等。