Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

语音转文本

Answer

语音转文本（Speech to Text）：

  • 介绍：
    • 语音转文本 API 提供了基于开源大型-v2 Whisper 模型的转录和翻译两个端点，可用于将音频转录为任何语言或翻译并转录成英语。目前文件上传限制为 25MB，支持的输入文件类型包括 mp3、mp4、mpeg、mpga、m4a、wav 和 webm。
  • 快速入门：
    • 转录：转录 API 的输入是要转录的音频文件及所需输出格式的音频文字稿，支持多种输入和输出文件格式。默认响应类型为包含原始文本的 JSON，可通过添加更多带有相关选项的--form 行设置其他参数，如将输出格式设置为文本。
    • 翻译：翻译 API 以任何支持的语言作为输入音频文件，并在必要时将音频转录成英文。与/Transcriptions 端点不同，输出为翻译成的英文文本，目前仅支持英语翻译。
  • 支持的语言：包括南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语等多种语言。
  • 更长输入：默认情况下 Whisper API 仅支持小于 25MB 的文件。若有更长音频文件，需将其分成小于 25MB 的块或使用压缩后格式，为避免丢失上下文字信息，应避免在句子中间断开声音。可使用 PyDub 开源 Python 软件包来拆分声频文件，但 OpenAI 对其可用性或安全性不作保证。
  • 提示：可使用提示提高 Whisper API 生成的转录质量。如改善特定单词或缩略语的识别、保留分段文件的上下文、避免标点符号的省略、保留填充词汇、处理不同书写风格等。
Content generated by AI large model, please carefully verify (powered by aily)

References

语音转文本（Speech to text）

学习如何将音频转换为文本。[heading2]介绍[content]语音转文本API提供了两个端点，即基于我们最先进的开源大型-v2 Whisper模型的转录和翻译。它们可以用于：将音频转录为任何语言。将音频翻译并转录成英语。目前文件上传限制为25 MB，并支持以下输入文件类型：mp3、mp4、mpeg、mpga、m4a、wav和webm。[heading2]快速入门[heading3]转录[content]转录API的输入是您要进行转录的音频文件以及所需输出格式的音频文字稿。我们目前支持多种输入和输出文件格式。默认情况下，响应类型将是包含原始文本的JSON。要在请求中设置其他参数，您可以添加更多带有相关选项的--form行。例如，如果您想将输出格式设置为文本，则应添加以下行：[heading3]翻译[content]翻译API以任何支持的语言作为输入音频文件，并在必要时将音频转录成英文。这与我们的/Transcriptions端点不同，因为输出不是原始输入语言，而是被翻译成英文文本。在这种情况下，输入的音频是德语，输出的文本看起来像：我们目前仅支持英语翻译。

语音转文本（Speech to text）

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、法国法式英語,加利西亞語,德國語,希臘語,希伯來語,印地語,匈牙利語,冰島icelandic読音:[ˈaɪsləndɪk],印度尼西雅Indonesian読音:[indoneˈsia],意大利Italian読音:[iːtæljən],日本Japanese読音:[dʒæpəniːz],卡纳达Kannada読音:[kʌn'na:dʌ],哈萨克Kazakh読音:[kɑzɑx],韩国Korean读作:[hanguk],拉脫維Latvian读作:[lætvijan],立陶宛Lithuanian读作:[liθu'einjən],马其顿Macedonian读作:[mækidouniən],马来Malay读作:['meilei],馬拉地Marathi讀作:[ma'rathi],毛里求斯Maori讀作:[mauri],尼泊尔Nepali讀作:[ne'pa:l],挪威Norwegian讀作:['no:wijiən],波斯Persian讀做[persi'an],波蘇尼Serbian讀做sǎrbijǝTagalog讀做tӕgӕ'lɔg,坦米爾Tamil讀做'tæmil,泰Thai讀做[tai],土耳其Turkish讀健[turki'sh],烏Crainian(乌克兰)Ukrainian讀健[jukreinjǝn],烏Urdu(乌尔都)Urdu讓你[u:

语音转文本（Speech to text）

默认情况下Whisper API仅支持小于25 MB的文件。如果您有一个比这更长的音频文件，则需要将其分成每个小于25 MB的块或使用压缩后格式。为了获得最佳性能，请避免在句子中间断开声音以避免丢失一些上下文字信息。处理此问题的一种方法是使用PyDub开源Python软件包来拆分声频文件。OpenAI对于像PyDub这样的第三方软件的可用性或安全性不作任何保证。[heading2]提示[content]您可以使用提示来提高Whisper API生成的转录质量。模型将尝试匹配提示的风格，因此如果提示也使用大写和标点符号，则更有可能使用它们。但是，当前的提示系统比我们其他语言模型要受限得多，并且仅提供对生成音频的有限控制。以下是一些示例，说明如何在不同情况下使用提示：1.对于模型经常错误识别音频中特定单词或缩略语非常有帮助。例如，以下提示改善了DALL·E和GPT-3这些单词（以前被写成“GDP 3”和“DALI”）的转录。2.为了保留分段文件的上下文，请使用先前片段的转录来引导模型。这将使转录更准确，因为模型将利用先前音频中相关信息。该模型只会考虑最后224个标记并忽略之前任何内容。3.有时候，在转录中可能会跳过标点符号。您可以通过使用包含标点符号简单提示来避免这种情况：4.该模型还可能在音频中省略常见填充词汇。如果您想在您的转录中保留填充词汇，则可以使用包含它们的指示：5.某些语言可以用不同方式书写，例如简体或繁体中文。默认情况下，该模型可能无法始终按照所需书写风格进行处理。通过在首选书写风格上添加指示即可改进此问题.

Others are asking
朗读文本的ai工具有哪些
以下是一些常见的朗读文本的 AI 工具： 1. 剪映中的文本朗读功能：可将输入的文本转换成剪映系统自带的各种成品音色，如四郎等，选择合适音色点击开始朗读即可生成。 2. DubbingX：一款不错的配音工具。 3. Eleven Labs：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。 4. Speechify：人工智能驱动的文本转语音工具，可将文本转换为音频文件，可在多种平台使用。 5. Azure AI Speech Studio：提供支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供自定义的语音模型。 6. Voicemaker：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。 您可以根据自己的需求选择适合的工具。
2025-04-14
推荐一下从文本生成播客音频的AI 工具
以下是一些可以从文本生成播客音频的 AI 工具： ：为所有人提供开放的语音技术。 ：基于 AI 的语音引擎能够模仿人类语音的情感和韵律。 ：基于 NLP 的最先进文本和音频编辑平台，内置数百种 AI 声音。 ：使用突触技术和脑机接口将想象的声音转化为合成 MIDI 乐器的脑控仪器。 ：为出版商和创作者开发最具吸引力的 AI 语音软件。 ：Wondercraft 使用户能够使用文本转语音技术生成播客。 ：基于生成机器学习模型构建内容创作的未来。 ：从网页仪表板或 VST 插件生成录音室质量的 AI 声音并训练 AI 语音模型。 此外，还有 NotebookLlama：Meta 的播客生成教程，它使用 Llama 模型从 PDF 中提取文本，生成干净的.txt 文件，转化文本为播客转录，创造富有创意的内容，对转录进行戏剧化处理，提高互动性和吸引力，最终将文本转换为播客音频，支持多种 TTS 模型。详细介绍：
2025-04-12
请为我生成一些提示词以用于将视频中的对话转化为文本形式
以下是为您生成的一些用于将视频中的对话转化为文本形式的提示词： 1. 角色：专业视频转文本工作者 2. 版本：1.0 3. 描述：能够准确、清晰地将视频中的对话转换为文本 4. 目标：完整、无误地将视频中的对话转化为易于理解的文本 5. 限制：不遗漏重要信息，不添加主观内容 6. 技能：熟练掌握语音识别和文字转换技巧 7. 工作流程：先仔细聆听视频对话，然后逐句转换为文字，注意标点和语法的正确使用 8. 初始化：您好，我准备开始将视频对话转换为文本 事件驱动句式： 1. As the video plays... 2. When the speakers start talking... 3. At the beginning of the video... 空间锁定技巧： 1. on the left side of the screen... 2. behind the main character... 3. from the top corner of the frame... 动态呼应原则： 1. swaying with the background music... 2. reacting to the other characters' actions... 3. matching the tone of the video...
2025-04-11
我是一个新手，请给我一些AI文本工具的操作指南
以下是为您提供的一些 AI 文本工具的操作指南： AI 内容检测工具 1. 功能：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线工具中，点击检测按钮，系统会提供分析结果。 2. GPTZero 功能：专门设计用于检测由 GPT3 生成的内容，适用于教育和出版行业。 使用方法：上传文档或输入文本，系统会分析并提供报告，显示文本是否由 GPT3 生成。 3. Content at Scale 功能：提供 AI 内容检测功能，帮助识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线检测工具中，系统会分析并提供结果。 TecCreative 创意工具箱 1. AI 字幕 操作指引：点击上传视频——开始生成——字幕解析完成——下载 SRT 字幕。 注意：支持 MP4 文件类型，大小上限为 50M。 2. 文生图 操作指引：输入文本描述（关键词或场景描述等）——选择模型（注意 FLUX 模型不可商用）——开始生成——下载。 3. AI 翻译 操作指引：输入原始文本——选择翻译的目标语言——开始生成。 4. TikTok 风格数字人 操作指引：输入口播文案——选择数字人角色——点击开始生成。 视频默认输出语言和输入文案语言保持一致，默认尺寸为 9:16 竖版。 5. 多场景数字人口播配音 操作指引：输入口播文案——选择数字人角色和场景——选择输出类型——点击开始生成。 视频默认输出语言和输入文案语言保持一致。 AI 文章排版工具 1. Grammarly 不仅是语法和拼写检查工具，还提供排版功能，可改进文档整体风格和流畅性。 2. QuillBot AI 驱动的写作和排版工具，可改进文本清晰度和流畅性，保持原意。 3. Latex 虽不是纯粹的 AI 工具，但广泛用于学术论文排版，使用标记语言描述文档格式，有许多 AI 辅助的编辑器和插件简化排版过程。 4. PandaDoc 文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 5. Wordtune AI 写作助手，可重新表述和改进文本，使其更清晰专业，保持原始意图。 6. Overleaf 在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的 AI 文章排版工具取决于您的具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 受欢迎，因其提供强大排版功能和广泛学术支持。对于一般文章和商业文档，Grammarly 和 PandaDoc 等工具可能更适用。
2025-04-11
AI文本工具操作文档
以下是为您整理的一些 AI 文本工具的操作文档： AIGC 论文检测网站 1. 功能：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线工具中，点击检测按钮，系统会提供分析结果。 2. GPTZero 功能：专门设计用于检测由 GPT3 生成的内容，适用于教育和出版行业。 使用方法：上传文档或输入文本，系统会分析并提供报告，显示文本是否由 GPT3 生成。 3. Content at Scale 功能：提供 AI 内容检测功能，帮助用户识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线检测工具中，系统会分析并提供结果。 【TecCreative】帮助手册 1. 创意工具箱 AI 字幕 智能识别视频语言并生成对应字幕，满足海外多国投放场景需求。 操作指引：点击上传视频——开始生成——字幕解析完成——下载 SRT 字幕。注意：支持 MP4 文件类型，大小上限为 50M。 文生图 仅需输入文本描述，即可一键生成图片素材，海量创意灵感信手拈来！ 操作指引：输入文本描述（关键词或场景描述等）——选择模型（注意 FLUX 模型不可商用）——开始生成——下载。 AI 翻译 支持多语种文本翻译，翻译结果实时准确，助力海外投放无语言障碍！ 操作指引：输入原始文本——选择翻译的目标语言——开始生成。 TikTok 风格数字人 适配 TikTok 媒体平台的数字人形象上线，100+数字人模板可供选择，助力 TikTok 营销素材生产无难度！ 操作指引：输入口播文案——选择数字人角色——点击开始生成。视频默认输出语言和输入文案语言保持一致，默认尺寸为 9:16 竖版。 多场景数字人口播配音 支持生成不同场景下（室内、户外、站姿、坐姿等）的数字人口播视频，一键满足多场景投放需求！ 操作指引：输入口播文案——选择数字人角色和场景——选择输出类型——点击开始生成。视频默认输出语言和输入文案语言保持一致。 工具教程：AI 漫画 Anifusion 网址：https://anifusion.ai/ ，twitter 账号：https://x.com/anifusion_ai 功能： AI 文本生成漫画：用户输入描述性提示，AI 会根据文本生成相应的漫画页面或面板。 直观的布局工具：提供预设模板，用户也可自定义漫画布局，设计独特的面板结构。 强大的画布编辑器：在浏览器中直接优化和完善 AI 生成的艺术作品，调整角色姿势、面部细节等。 多种 AI 模型支持：高级用户可访问多种 LoRA 模型，实现不同的艺术风格和效果。 商业使用权：用户对在平台上创作的所有作品拥有完整的商业使用权，可自由用于商业目的。 使用案例： 独立漫画创作：有抱负的漫画艺术家无需高级绘画技能即可将他们的故事变为现实。 快速原型设计：专业艺术家可以在详细插图之前快速可视化故事概念和布局。 教育内容：教师和教育工作者可以为课程和演示创建引人入胜的视觉内容。 营销材料：企业可以制作动漫风格的促销漫画或用于活动的分镜脚本。 粉丝艺术和同人志：粉丝可以基于他们最喜欢的动漫和漫画系列创作衍生作品。 优点： 非艺术家也可轻松进行漫画创作。 基于浏览器的全方位解决方案，无需安装额外软件。 快速迭代和原型设计能力。 创作的全部商业权利。 缺点：（未提及）
2025-04-11
AI文本工具
以下是关于 AI 文本工具的相关信息： AI 文章排版工具： AI 文章排版工具主要用于自动化和优化文档的布局和格式，特别是在处理学术论文和专业文档时。以下是一些流行的工具： 1. Grammarly：不仅是语法和拼写检查工具，还提供排版功能，可改进文档风格和流畅性。 2. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性，保持原意。 3. Latex：常用于学术论文排版，使用标记语言描述格式，有许多 AI 辅助的编辑器和插件。 4. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 5. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业，保持原始意图。 6. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的工具取决于具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 受欢迎；对于一般文章和商业文档，Grammarly 和 PandaDoc 等更适用。 在线 TTS 工具： Text to Speech（TTS）将文本转换为自然的语音输出。在 WaytoAGI 的工具网站上有一系列推荐：https://www.waytoagi.com/sites/category/50 。以下是几个编辑精选的工具： 1. Eleven Labs：https://elevenlabs.io/ ，功能强大且多功能的 AI 语音软件，能生成逼真、高品质音频，可根据上下文调整表达方式。 2. Speechify：https://speechify.com/ ，人工智能驱动的文本转语音工具，可作为多种应用使用，用于收听网页、文档等。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal ，提供支持 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，适合为视频制作画外音或帮助视障人士。 AIGC 论文检测网站： 1. ：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。使用方法是将文本粘贴到在线工具中，点击检测按钮获取分析结果。 2. GPTZero：专门设计用于检测由 GPT3 生成内容的工具，适用于教育和出版行业。使用时上传文档或输入文本，系统会分析并提供报告。 3. Content at Scale：提供 AI 内容检测功能，将文本粘贴到在线检测工具中，系统会分析并提供结果。 这些工具和网站可帮助教育机构、研究人员和编辑识别 AI 生成的内容，确保学术和出版的原创性和诚信。可根据具体需求选择适合的工具进行检测。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-04-11
coze 语音克隆
以下是关于语音克隆的相关信息： 有一款适合小白用户的开源数字人工具，具有以下特点和功能： 特点：一键安装包，无需配置环境，简单易用。 功能：生成数字人视频，支持语音合成和声音克隆，操作界面中英文可选。 系统兼容：支持 Windows、Linux、macOS。 模型支持：MuseTalk（文本到语音）、CosyVoice（语音克隆）。 使用步骤：下载 8G + 3G 语音模型包，启动模型即可。 GitHub 链接： 官网链接： 另外，CosyVoice 声音克隆仅需几秒音频样本，无需额外训练数据，可控制情绪情感、语速、音高。 详细内容：https://xiaohu.ai/p/10954 项目地址：https://funaudiollm.github.io 在线演示：https://modelscope.cn/studios/iic/CosyVoice300M
2025-04-12
语音克隆
GPTSoVITS 是一个用于声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点和使用步骤： 特点： 1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感，模仿出来的声音更接近原声且自然。 3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 6. 提供预训练模型：项目提供了一些已经训练好的模型，可直接下载使用。 使用步骤： 1. 前置数据获取处理： 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR。 2. GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo。 3. 声音复刻：开启声音复刻之旅，可实现跨多语种语言的声音。 相关资源： GitHub：https://github.com/RVCBoss/GPTSoVITS 视频教程：https://bilibili.com/video/BV12g4y1m7Uw/ 注册 colab 并启动准备：点击进入按照步骤注册即可 https://colab.research.google.com/scrollTo=Wf5KrEb6vrkR&uniqifier=2 ，新建笔记本，运行脚本启动 GPTSo VITS，整个过程比较漫长，需要耐心等待，可以整个脚本一起运行，也可以一段一段运行；运行过程包括克隆项目代码库、进入项目目录、安装 Python 依赖包、安装系统依赖、下载 NLTK 资源、启动 Web UI，运行成功后出现 public URL。 实践样本： AIyoyo 普通话 满江红 AIyoyo 粤语版 满江红
2025-04-12
文字转语音
以下是关于文字转语音的相关内容： DubbingX2.0.3： 界面与国内版相同，使用了沉浸式翻译功能，可能看起来较乱。 第一个选项是文字转语音，与国内版相同，不做重复演示。 重点介绍第二项“创建您的语音克隆”： 上传语音（想克隆的声音原始文件）。 给声音命名，方便以后配音选择。 选择语言。 勾选相关选项，点击转变即可生成。 注意：原音频若有背景音乐，最好在剪影中去除，以使生成的音色模型效果更好、更纯净。 Hedra： 可以直接文字转语音，目前有 6 个语音。 也可以直接上传音频。
2025-04-11
语音转文字
以下是关于语音转文字的相关信息： 推荐使用 OpenAI 的 wishper 进行语音转文字，相关链接：https://huggingface.co/openai/whisperlargev2 。一分钟搞定 23 分钟的音频，相关链接：https://huggingface.co/spaces/sanchitgandhi/whisperjax 。此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API 。 语音转文本（Speech to text）： 介绍：语音转文本 API 提供转录和翻译两个端点，基于开源大型v2 Whisper 模型。可用于将音频转录为任何语言，将音频翻译并转录成英语。目前文件上传限制为 25MB，支持 mp3、mp4、mpeg、mpga、m4a、wav 和 webm 等输入文件类型。 快速入门： 转录：转录 API 的输入是要转录的音频文件及所需输出格式的音频文字稿，默认响应类型为包含原始文本的 JSON，可添加更多带有相关选项的form 行设置其他参数。 翻译：翻译 API 输入任何支持语言的音频文件，必要时转录成英语，目前仅支持英语翻译。 更长输入：默认 Whisper API 仅支持小于 25MB 的文件，若音频文件更长，需分成小于 25MB 的块或使用压缩后格式，可使用 PyDub 开源 Python 软件包拆分声频文件，但 OpenAI 对其可用性或安全性不作保证。 提示：可使用提示提高 Whisper API 生成的转录质量，如改善特定单词或缩略语的识别、保留分段文件的上下文、避免标点符号的省略、保留填充词汇、处理不同书写风格等。
2025-04-08
实时翻译视频语音
以下是为您整理的相关信息： 实时翻译视频语音的工具： StreamSpeech：这是一个实时语言翻译模型，能够实现流媒体语音输入的实时翻译，输出目标语音和文本，具有同步翻译、低延迟的特点，还能展示实时语音识别结果。 给视频配音效的 AI 工具： 支持 50 多种语言的配音，音质自然流畅，提供实时配音功能，适用于直播和演讲，能将语音转录为文本，方便后期字幕制作和编辑。 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。 在选择视频配音工具时，请考虑支持的语言数量、语音质量、自定义选项和价格等因素。
2025-04-07
文本转语音
以下是关于文本转语音的相关信息： 在线 TTS 工具推荐： 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。 Speechify：https://speechify.com/ ，是一款人工智能驱动的文本转语音工具，可作为多种平台的应用使用，用于收听网页、文档、PDF 和有声读物。 Azure AI Speech Studio：https://speech.microsoft.com/portal ，提供了支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 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，适合为视频制作画外音或帮助视障人士。 语音合成技术原理： 传统的语音合成技术一般会经过以下三个步骤： 1. 文本与韵律分析：先将文本分词，标明每个字的发音以及重音、停顿等韵律信息，然后提取文本的特征，生成特征向量。 2. 声学处理：通过声学模型将文本特征向量映射到声学特征向量。 3. 声音合成：使用声码器将声学特征向量通过反变换生成声音波形，然后一次拼接得到整个文本的合成语音。在反变换过程中，可以调整参数，从而改变合成语音的音色、语调、语速等。 OpenAI 新一代音频模型： OpenAI 于 2025 年 3 月 20 日推出了全新的音频模型，包括改进的语音转文本和文本转语音功能。 语音转文本模型在单词错误率和语言识别准确性方面相较于原有的 Whisper 模型有显著提升，能更好地捕捉语音细节，减少误识别，在多语言评估基准上表现优异。 文本转语音模型具备更高的可定制性，支持个性化语音风格，目前支持人工预设的语音样式，并通过监控确保语音与合成预设一致。 测试地址：https://www.openai.fm/ 直播回放：https://www.youtube.com/watch?v=lXb0L16ISAc 说明文档：https://openai.com/index/introducingournextgenerationaudiomodels/ 内容由 AI 大模型生成，请仔细甄别。
2025-04-01