小互

PM学编程第7天：用扣子做个听故事学英语学习小工具 看到小互提到扣子刚上线了Deepseek-V3 和R1，还有豆包的 function calling版。 好奇推理模型加持，应用搭建速度是否会提升。 发现扣子还挺好玩的，当然，过程也遇到不少坑。 1. 语音合成插件太多，推荐“英语文本转语音”插件。 2. 为用户体验，设计“故事播放”卡片，绑定了工作流。（图片和音频地址URL别用测试生成

我去 这个语音克隆模型有点牛P 哈哈哈 使用了 250,000 小时的中英双语语音数据训练 只需15秒的声音就能完美克隆声音，保持音色和情感 Llasa-3B 可以通过输入一个带有情感特征的语音提示（Prompt），在生成目标语音时保留提示语音中的情感特征。 基于 LLaMA 语言模型（ 1B、3B 和 8B 参数规模），通过整合 XCodec2 的语音 token 提供语音生成功能。

kotoro-TTS 荣登 TTS Arena 排行榜第一名，录了个视频大家可以看下它中文的语音合成效果。 值得一提的是，这个模型只有 82M，树莓派都能跑。而且是 MIT 协议的。 排行榜地址： 在线测试地址：

VITA-1.5：开源版视频+语音模型 效果类似ChatGPT APP的视频交互，能看能听能说，但不是原生多模态。视觉多模态LLM使用的是QWen2.5，语音延迟只有1.5秒，且支持打断。 Github：