qwen chat语音功能

现在好了，国内终于有一个能真正看懂视频的 ai 模型了。阿里这两天呢，发布了最新的全模特大模型，千万三点五厘米，两百一十五项评测拿下最佳，全面超越了 jimmy 三点一 pro。 而且百万头克呢，最低只要几毛钱，是 jimmy 的 几十分之一。比如我把这一段玩具总动员的预告片扔进去，你们看他这个输出啊，他不光每个镜头都拆出来了，连这个场景里用的粉绿梦幻色调，代表着乌托邦幻想，丽丽派特的平面颜色从服务者变成了主导者，这种色彩虚实的深层逻辑呢，他都能分析出来， 人物关系表、时间轴、分镜表，甚至是配乐情绪走向的也都能分析出来。这已经就不是看图说话了，他是在同时理解画面、语音、音效这三条信息流，然后交叉分析出整条视频的序序结构。这背后呢，是在超过一亿小时的音视频数据上做的原声多肽域训练。 说白了，这个模型从出生呢，就是看着视频长大的。有个国外媒体呢，就做了个测试，同一段视频呢，扔给千万三点五欧米尼和拆的 gpt， 千万呢，原声处理一分钟出结果，拆的 gpt 呢，要先抽真再转文字，再 ocr 读字幕，三个流程拼接起来呢，用了九分钟，这就是原声全模态和拼接式多模态的差距。 你看这张跑分图啊，不是某一项强，是音频视频视觉语音生成全面的碾压，在嘈杂环境的语音识别错误率只有折叠的三分之一。 现在如果把这个能力接到龙虾里，那直接就变成了完整的生产力方案，这个做电商的朋友啊，应该用的上。比如把这条宠物用品的爆款视频扔进龙虾，让龙虾调用千万三点五欧米进行拆解， 他就能分析出来。开头三秒用了冷知识钩子制造认知反差。产品展示不是静态摆拍，而是用微距特写拍，材质触感暴力按压测试回弹拍猫咪采奶证明舒适度。 bgm 的 转折点呢，不在情绪的大起大落，而在每次按压和抚摸都精准卡在了鼓点上。你还能直接让龙虾给你一份逆向的创作者建议和提示词。有了这个呢，你去复刻或者用 ai 来生成视频呢，就方便多了。以前这套流程要么靠 jammin， 要么呢就是纯手工去截图。现在龙虾加上千万三点五 mm， 就是 国内目前最强的视频拆解方， 而且这还只是离线的分析能力。它还有个 real time 模式，你可以直接用语音去跟它对话，聊天的时候呢，还能自己判断要不要联网帮你去查资料。那个最近网络上流行的酱板鸭是什么梗啊？用三五句话帮我介绍一下。 这个梗其实是个 ai 生成的短视频火起来的故事，讲的是有人在雪山救了一只狐狸，很好玩。明天上海天气怎么样？明天上海是多云转小雨的天气， 气温在十四到二十二度之间，出门的话最好带把伞，以防万一。没想到 ai 进化这么快，从看懂一张图到看懂一个故事，这一步跨过去了， ai 才算真正理解的内容。你们觉得。

欢迎大家来到小城 tv， 宽三点五奥米这次不是升级，是阿里把实时语音 ai 的 牌桌直接掀了。 真正值得叮的，不是一月那篇技术博克本身，而是它在二零二六年三月三十一日到四月一日连续进入 alibaba cloud model studio 的 文档、音色表和模型列表，开始从实验室能力变成开发者眼前的产品入口。 官方的 quanony 文档在三月三十一日更新，已经直接给出 open a compatible 调用方式，说明它可以接受文本加图片、音频或视频中的一种输入，并生成文本或者语音响应。 紧接着，四月一日更新的 models 页面，把 quan 三点五 omni plus 和 quan 三点五 omni flash 都列成稳定型号，单次上下文写到二十六万两千一百四十四，还标明当前处于 preview 模型调用暂时免费 这件事的信号非常重，因为一旦模型名字、快照版本、上下文配额和调用方式同时出现在官方产品文档里，它就不是 ppt， 也不是内部 demo， 而是随时准备被接近业务。 从底层能力看， quan 官方博克把 quan 三点五 omni 定义成 latest generation fully omni model l l m， 强调它原声理解文本、图片、音频和音视频，还能直接输出文本和语音。 系列一共分 plus、 flash、 light 三档，支持二五六 k 长上下文，能连续处理超过十小时音频输入，以及超过四百秒七二零 p e f p s。 的 音视频输入。 对做客服、陪练、会议和车载的人来说，这不是参数表上的加法，而是很多原来需要多条模型链路拼接的事，开始有机会往单底作售。 更炸的是， quan 团队在官方博课里明确写道， quan 三点五 omni plus 在 二百一十五项音频和音视频理解推理交互子任务上拿到 sota 通用音频能力甚至超过 gemini 三点一 pro。 也就是说，他想打的不是一个聊天机器人升级包，而是谁能同时听懂、看懂说出来，还能低门槛接近产品这条更大的入口站。但这次 launch 最危险的地方还不是排行榜，而是产品形态已经补齐到可以直接上手了。 官方 quan omni 文档把 python sdk 版本、 node sdk 版本、 stream 调用 audio 参数和 base 下划线 url 都写得很具体，迁移 open ai 兼容代码的门槛被硬生生砍低了一大截。 同一天更新的 voice list 又把 quan 三点五 omni 和 quan 三点五 omni real time 单独拎出来，默认 voice 是 tina， 而且整页都在强调这是一套非实时和实时模型共用的音色体系。 这意味着，阿里不只是在讲我们有一个能听会说的模型，而是在把可调用、可配音、可实时交互的开发接口一层层拼齐。但如果你以为今天我们讲的只是又一个能听能说的模型，那就把这次发布看清了。 更深一层，看 models 页面写着 preview 期间调用暂时免费，还给了九十天 free quota。 这会直接把一批原本还在观望的团队推去做 poc。 一旦 poc 成本下降，谁先把语音入口、视频理解入口和多余种交互入口接起来，谁就更容易吃到下一轮语音 agent 和客服自动化的红利。 在叠加官方薄课里，一百一十三种语言和方言的语音识别，三十六种语言和方言的语音生成能力。 quan 想抢的不是单点能力，而是全方位语音交互底座。 对 openai、 谷歌这些强对手来说，最麻烦的不是阿里又出了一个强模型，而是阿里正在把多模态能力做成一个更便宜、更兼容、还能直接接产品的分发层。 所以一句话总结，宽三点五， omni 这次最值得怕的不是它更聪明了一点，而是它已经从论文级能力开始长成可直接接近产品的语音多模态底座。 如果后面阿里继续把 realtime 链路、价格体系和更多官方势力补齐，国内一大批语音 agent 方案都得重新排队。 这条线一旦跑顺，下一轮被改写的就不只是模型排名，而是所有把语音多模态和实时交互当入口的产品版图。想继续看这种把一条 ai 大 势讲透的视频，欢迎关注小城 tv。

哈喽，大家好，我是金鱼阿里开源的前吻三 t t s。 这是目前最强的开源语音合成模型，它有一种自带了一些音色的模型，可以根据 prompt 进行调教。 she said she would be here by noon she said she would be here by noon， she said she would be here by noon。 还有一个我最爱的铠龙声音的模型，我基于这个模型做了一个普通人也能快速上手的项目，让大家也能快速感受下铠龙的魅力。 只需要五秒的音频，它就能用你的声音说任何话，中文英文随便切。在一无所知中，梦想是唯一的光芒，指引我们穿越黑暗， 给我们的声音起一个别名，然后让我们来试一下。你好，欢迎使用语音合成系统。 an ideal harmonious society， humanism is a lighthouse on this way to guide us in case， we are getting lost。 怎么样，效果还不错吧？我们 要注意，这里语言可不能乱选啊，不然读出来可能会很奇怪。 reference 长一点效果会更好。不要担心长度会影响性能，因为 reference 是 做了编码的，你五十秒的 reference 和五秒的 reference 最后生成语音速度不会有太大差别。 这个项目支持流式传输，可以边输入文字边播放，这就意味着你可以拿它做同声传译。想象一下，你说中文，对面在会议中实时听到的是你声音的英语，这是多美妙的一种交流体验啊。项目完全开源，地址我会放在视频的详情里面， macos、 linux 或者是 windows 上的 wsl 二都能支持。装好依赖，一行命令启动，自带 web ui， 打开浏览器就能用。 不过要注意，下载镜像是需要科学上网的哟，后面我会分享同声传译的项目，跟这个 t t s 打通，真正实现开口即翻译声音还是你的关注我别错过。有任何问题都可以在评论区直接说出来，我看到都是会回复的，感谢大家。

你好，你是什么大模型？你好，你是什么大模型？ i will hit you ever。 朋友们，快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快快ھە如此来，风雪花开，爱来爱你有没有一块海洋回忆你还不如飞回去。可不是没人要开始ا。有个佢 m c e x 佢收佢呢度诶，佢有条铁可以，佢成日陪我啲车，佢乜嘢都好似有个同你越靓女越靓女，越靓越肥，睇佢有消费能力，你话诶 ok？ it's so cool that i don't have a pillow with how to see your letters and to do anything else don't post your face， but you act like a little girl in a squish it has so weight that you say i am i feel like i am with everyone。 发肥爱偷海混，我有退海海洋 cs 普通世界海洋，海上飞海，出海海洋，偷天鹅海洋，无论海洋之心，海洋海洋海洋海洋海洋海洋海洋海洋ا一二三四五六七八二二三四五六七八 o t f f z f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f f a f one two three fourاyou are set on a beauty of a little pet i will you have it you are few attacks and you have a feeling。

各位小伙伴们，这个就是千问三 tts 生成的语音内容，你们觉得怎么样？ 大家好，这个就是千问三 tts 生成的语音克隆内容，大家听一下感觉怎么样？哥哥你回来了，人家等了你好久好久了，要抱抱。大家好噻，这个就是千问三 tts 生成的四川话语音内容， 大家听听看巴适不巴适？哈喽，小伙伴们大家好，那么视频开头的这几条语音呢， 都是由我们阿里新开源的这个千问三 t t s 模型生成的，他也算是补齐了阿里这个模型生态的千问模型生态的一个呃缺口哈，就是这个 t t s 模型的一个缺失， 那么他这个特点呢？我玩了一下啊，第一个感觉就是非常快啊，他生成的速度非常快，那我们呃生成一段语音呢，大概也就十几秒啊，大概七八秒的语音，他也就十几秒就能生成了。 还有呢，他的功能是有些特点的哈，那么第一个特点就是他可以对这个声音进行一个设计，那所谓的设计就是说你可以用提示词去 控制你这个语音的内容啊，就比如我们一开始的御姐音和萝莉音都是通过这个提示词去控制的，而且他支持中文的提示词啊。 那么第二呢，就是说他能够有一些方言啊，他比如说，呃，目前应该是就两个方言，我们看一下他的表，给了一个表啊，就是他设定的几个角色，固定的预设的角色啊， 那么有两个，一个是北京方言呢，一个是四川方言呢，还有呢就是这个模型它支持了十种语言啊，就是中文、英文、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语啊， 基本就是把那个我们常见的一些语种都包含了，那么我也拿它跟这个 index t t s 二做了个简单对比啊。大家好，这个就是 index t t s 二生成的语音克隆内容， 大家听一下感觉怎么样？大家好，这个就是千问三 t t s 生成的语音克隆内容，大家听一下感觉怎么样？那么 index t t s 二呢？现在就是 我们知道的话，它只支持这个一个克隆哈，支持一个克隆，但是它支持一个双人对话的这样一个，还有这个情绪控制啊，这个其实是 index tts 二的这样一个特征啊，它的一个优势啊。呃，但是其他的，比如说像其他语种，还有这个，呃， 这个声音设计这个还是差，就是跟这个千问三这个 tts 有 些区别的。 那么这个模型在克隆的时候呢，大家要注意一下啊，就是说他最好是能接入一个这个参考的词哈，就是说我们这段语音他对应的这个文字内容最好是接过来。那么这里我就用了一个 whisper 这个模型去做了这样一个处理啊，让它自动去进行一个识别。 那么派派大佬的他的节点呢？是可以不用这个参考语音的参考文字的，但是说，呃，那个我前台用不了，对吧？ 那么我也试了尝试让它里边的一些其他的声音，就是在这个预选里边呢，让它去生成的方言。那么在 tst 里输入方言其实是不可以的啊，那比如说我选择这个 v v i， 他本身就是一个明亮略带锋芒的年轻女性声音，那么他母语是中文，那么他说出来的话就没有四川口音啊，就没有四川，四川口音，那么如果说四川口音的话，那只有这个 eric eric 才可以哈，我们在这可以选择这个 eric， 那么这就这样一个模型的一个介绍啊，关于这个节点呢，其实有呃，几个大佬都做了啊，我现在用的这个是这个 h a i g c 这个大佬呢，也是我们那个咱们群里边一位大佬， 那么派派大佬他也做了一个，但是我这边装的话，可能跟我环境这边有一点小冲突啊，那么现在我这边还用不了，我只能先用这个 h a i g c 大 佬，这个节点，他这边的话其实也有一个代码有点问题啊， 就是在这个第四百五十四行这边呢，这个它漏了一串代码哈，就是如果不写这个 speaker 等于 speaker， 那 么在你运行这个预选声音的这个时候呢，它会报一个错啊，就是检查不到一个 speaker， 那 么这里我们可以自己加一个啊，自己加上一个 speaker 等于 speaker 就 可以了。那么我已经把这个节点改好了，然后也放到网盘了，大家可以直接拿我这个节点去 放到你的这个节点文件夹里就可以了。对应的模型其实也不大啊，对应的模型的话，我们只要下载十几个 g 就 可以了啊，它包含了很多啊，一个一点七 b 的， 一点七 b 包含了一个基本模型，一个 呃，定制模型，还有一个声音设计模型，还有一个 token lighter， 这个啊，十二赫兹的这样一个模型，一个 base， 还有一个这个 定制声音的，那么这个工作流使用的时候呢，我们对应不同的任务要选择不同的模型哈，比如说我们这声音克隆的话，我们需要选择 bass 模型啊，一点七 b 的 或者是零点六 b 的 bass 模型。 那么如果你要做这种声音设计呢？它会有专门这个 weiss design 这个模型哈，那么如果你要定这个预选声音的话，那它就用这个啊， custom weiss 这个模型哈，它要选择对应的模型才行。 那么这就是这样一个新技术的一个玩法啊，我感觉其实效果很不错啊，效果确实挺好的啊，就特别是一些方言，还有这种对这个声音的一个描述啊，就是体式词来控制它，效果还是挺好的。 ok， 那 么这个也简单给大家分享到这里啊，那么工作流呢，我也准备上到 running hiphop， 大家可以在线上去体验一下啊。好，就这样，拜拜。

拿下二百一十五个 saota 和 jimmy 难分伯仲！阿里最新全模态大模型困三点五 omni 炸场了！这就马上替你实测一波让他拉片长视频，指手画脚的让他抠点一个视频打过去让他讲解，废话不多说，直接看效果。 先用一段两分钟的哈利波特剧本预告片，让他进行超细力度的剧本级拉片。他识别出来了字幕和画面内容，还带上了时间戳。 而且他真的认出来了多个不同的角色，理解了复杂的剧情，连运镜、角度、配音、氛围等细节都用文字详细描述出来了，超级无障碍友好。 此外，他还支持一小时以内的长视频审核， web coding 能力也大大升级。打字描述产品原型太麻烦，直接录一个视频让他实现你的想法。也都是一些电子产品的商品的橱窗，他能根据口述的需求，手绘的草图， 自己实现响应式布局、悬停等交互细节，写出来一个相对完整的网页。接着让困陪我啃英语听力。他能实时翻译并且朗读出来，不仅能识别一百一十三种语种和方言，还能生成三十六种语种和方言的语音，甚至还可以给困打视频电话。 春天碰到了不认识的花，就直接问他，就像白玉兰，可以用轻快的语气吟诗一首吗？请问？红墙映白玉，枝头春意闹。同样的还能让他讲解文物、解析论文等等。 那么困是如何实现低延迟多模态交互的呢？它采用了双 m o e 混合架构，同时用分可理解透可生成， 这样就可以一边接收输入，一边推理一边输出，而且在聊天过程中还能像真人一样识别出来哪些是有意义的语句，不会被无意义的砸成打断。 目前可以直接在腾讯上使用，也能通过阿里云百联平台调用 a p i， 而且在哈根 face 和 modelscop 上都能体验实时版和离线版模型 demo， 感兴趣的赶紧去试试吧！

hi， 我是 困三点五安尼困最新一代全模态大模型这是我的资料卡，这是我的成绩单。 接下来看看我在音视频任务中的实际表现。 task 一， 音视频通用理解，输入音视频能够生成结构化带时间戳的准确 caption， 实现剧本级细力度描述。 if i were an animal， i'd be a sheep dog like that little puppy a great pyrenees pyrenees that's a funny name oh look at all her cute babies i'm gonna call this one elliott he sure is curious tesk 二，音视频 web 扣顶 根据音视频指令准确生成网页内容你好，请问请帮我实现一个 html 文件来展示我的产品思路。 首先这里是两个按钮，第一个按钮代表产品界面，第二个按钮代表风景界面。那么在这个地方，呃，商品界面这个地方我希望展示一个飞机在这个地方我希望展示一个汽车图片，在这个地方我希望展示的是一个香蕉。当我实现这样的一个手势的时候， 我希望让我的呃这个商品界面可以无限的展示更多的图。 我希望当小蛇进入鼠标画的这个区域时，变为春日主题背景为嫩黄色。当小蛇进入这个区域时，变为夏日，主题为深绿色色调。当小蛇进入这个区域时，变为秋日，主题变为黄色色调。当进入这个区域时，变为冬日冰雪，主题为蓝色色调。 在这个区域请展示主题风格的名字。 task 三，应视频对话原声支持在线搜索。 你好，千问。我在十四号要前往北京，这是我为北京准备的衣服，在北京待两天之后我要前往巴西的里约参加国际学术会议，大概要待三天左右。请你帮我查询一下北京和里约这几天的温度，然后看一下我准备的这几件衣服是否合适。 好的，我帮你查了下天气，你十四号到十六号在北京那两天，白天最高温差不多十度，但晚上会降到零度左右，还是挺冷的。 所以你准备的那件厚外套和长裤肯定得穿上，里面再套件长袖 t 恤就差不多了。然后你十七号去里约，那边正好是夏天，特别热， 未来几天都是二十七八度的高温，还可能有雨。你在北京穿的那套衣服过去肯定不行，太厚了。你得带上最轻便透气的夏装，比如短袖衬衫、薄裤子之类的。对了，最好再带把伞，既能遮阳也能挡雨。 支持多轮对话与智能打断，避免无意义声音干扰。介绍一下这个文件的主要内容， 这文件主要讲的是困三系列模型，他最大的特点就是能自己决定是快速反应还是深度思考，不管是写代码、做数学还是跟人多的对话，都挺溜。这系列一共有八个模型，从零点六 b 到二三五 b 都有，能满足不同需求。 请问现在能不能大声一点跟我说话呀？得嘞，我现在得大点声和你说话。训练上用了差不多三十六万亿的 token， 还用了混合注意力这些新技术来提速， 评测结果也不错，像昆三在好多测试里都排第一。刚才你说他的餐数量有多大来着？餐数量从零点六 b 到二三五 b 都有，其中昆三、二三五 b a， 二十二 b 是 mo 架构，激活参数是二十二 b 可控语音对话，自由控制声音的音量。今天没事到西西世界来走一走。千万，帮我轻声细语的朗诵一首符合此情此景的诗歌吧！半壶眼水半壶风， 天已朦胧如画中情绪。哇，千万，这写的是什么呀？请用沉重的语气给我朗读一下。 上灵之以天阶，下查之以地齐。明有王法相济，暗有鬼神相随。 task 四多语言能力，首次支持一百一十三种语种和方言的语音识别。三十六种语言和方言的语音生成， 支持上传定制 ai assistant 音色。 omni model i've already configured my voice for cloning translate the english you hear into russian and the russian you hear into english got it i am ready to translate english into russian and russian into english as soon as you start speaking everyone's talking about omni modernization but a truly powerful model is not just one that can see and hear right it also needs to understand reason and interact in real time that i'm attached to don't you might research that if they might just be a real human being quan 3.5 omni is exactly such a model 你 可以用 quan chat 和我在线交流，也可以通过以下方式调用离线 api， 期待见面。

全网最牛，完全免费本地部署单音色克隆，多人对话克隆！先来看看效果，俺老猪也来说两句， 八戒你个呆子，你刚才听到的这些声音，没有一个是真人录的，而且他们不是任何付费的配音工具生成的，他们全部来自一个开源的语音合成大模型。昆三 完全免费本地部署，一键启动即可使用。它的模型参数非常小，对电脑的配置要求也不高，最低四 gb 显存就可以使用，只需要几秒钟的参考音频，就可以完美的还原你的声音。 更重要的是，这个模型在实际使用的过程中稳定性非常高，不管是语速、情绪还是句子之间的停顿，整体都非常自然， 很少会出现丢字、多字、节奏混乱的情况。它甚至还可以通过 ai 特调定制专属音色， 同时支持多角色对话，对于做内容的小伙伴来说，实用性真的非常高。所以在今天这条视频里，我会手把手的给大家演示如何通过一键安装包把困三部署到本地进行使用。同时我也会把它的一些核心功能， 包括声音克隆、音色保存、一句话定制音色以及多角色对话，全部带大家完整的走一遍。老规矩，本地部署的一键安装包下载链接我已经放在视频下方的说明栏里了， 解压即可使用。嘿，我是九姨，专注于使用 ai 自动变现，如果你想要更加系统的学习 ai 知识和运营经验，也可以加入我的课程。 我把 youtube 从定位、内容制作、发布到变现，整理成了一套系统课程，适合不想盲目试错，想要一步步搭建体系的人，相关链接我也会放在说明栏里，感兴趣的小伙伴可以自行查看。那我们继续直接进入今天的实操部分。 下载完成之后，小伙伴们会得到这样两个压缩包，我们全选所有的压缩文件， 右键解压到当前文件夹。如果有的小伙伴使用的是温系统自带的解压工具，有可能会出现解压不全或者是文件丢失的情况。如果有遇到这样的情况，可以重新用三六零解压试试。 解压完成之后会出现这个文件夹，我们打开文件夹，双击开始，稍微等待一会就会自动跳出外部界面。 接下来我先来带你看看如何克隆声音。我们先点击单人语音合成， 在文本位置可以输入需要转换为声音的文案，这里的文案可以自行选择语言，也可以混合语言，比如既有中文也有英文也是可以的。 下方这里的语言类型可以根据大家的文案语种进行选择，也可以直接保持默认的自动识别。下方是多音字矫正功能， 如果小伙伴们对于发音的准确性要求比较高的话，可以按照视力格式将文字的拼音标注出来。中间这里的模型有两个可选项，模型参数越大效果越好， 但是对于电脑的配置要求也就更高，生成的时间也就会越长。小伙伴们可以根据自己的实际情况进行选择。下方这里可以选择音色列表中的音色， 也可以选择使用参考音频克隆声音。为了方便后续的操作，小伙伴们可以将自己的音色保存下来，方便后续的使用，稍后我还会讲解如何将我们的音色保存下来，以及如何删除不需要的音色。 这里我们先来演示如何使用参考音频克隆声音，将我们准备好的参考音频拖进来，可以先点击下方的音频超分降噪，优化音频的效果。 中国的创世神话版本很多，我们最熟悉的一句就是自从盘古开天地。 在下方的参考音频文本，这里会自动识别音频中的内容，一般情况下识别出来的内容是准确的， 如果有错别字或者没有识别到的地方，小伙伴们也可以手动补充进去右上角的一些参数，保持默认的不变就可以了。这里也可以调整语速， 一般选择为原始速度就可以。下方这里的变形批次小伙伴们可以根据自己的电脑配置进行选择，如果电脑配置不够高或者是老旧显卡的话，设置成一就可以了。点击下方的开始生成， 我这里测试使用的电脑是三零九零二十四 g 显存，按照屏幕中显示的参数配置，生成一分钟的音频大概需要二十多秒，如果换成零点六 b 小 参数，速度大概会提升一点五倍。稍微等待一会音频就生成好了， 我们可以来听一下效果。楚王韩信在受封回到家乡后，送了很多钱财给那位曾在河边舍饭给自己吃的老婆婆，还认命曾让自己忍受胯下之辱的屠户为中尉，称她是一位勇士。 至于流苏过他的亭长，韩信只给了他一点点钱，并谴责他是个意志不坚的人，还是非常稳定的，也没有出现多字和丢字的情况。我们再来换一个参考音频，看看 假不假。白玉为唐金做马，按照同样的操作，稍微等待一会就生成好了。效果是这样的， 公元前一百九十七年，也就是汉高祖十年，陈熹造反的消息传进汉宫，刘邦决定亲自出马镇压，他打算让韩信随自己出征，韩信推脱身体抱样，刘邦也不勉强。 那刚才我们使用的是参考音频克隆声音的，如果我们想将这个音色保存下来，应该怎么操作呢？可以在音色名称这里输入一个音色的名称，点击保存音色模型就可以了。 我们再次回到上方的位置，点击刷新音色列表，这样就可以在列表里看到我们刚才保存好的音色模型。那有的小伙伴就会问，如果这个列表中出现了我不想要的音色，应该怎么处理？打开刚才的文件夹， 点击 versus 文件夹，删除自己不想要的音色就可以了。 我们将刚才的 web 页面向下拉，可以看到下方有一个音色设计与创造栏目，在音色设计描述这里，我们可以根据自己的喜好输入音色的特点。我在这里随便使用一个描述， 中间位置是测试文本，这里我们可以随便输入一句话，等到 ai 生成音色之后，会将这句话读出来，点击开始生成测试音频效果是这样的，你听说过克隆声音吗？ 如果小伙伴们对于生成的音色不满意的话，可以修改提示词重新生成。你听说过克隆声音吗？ 如果小伙伴们想要把满意的音色保存下来，可以在下方输入音色的名称，点击下方的保存音色就可以成功保存了。刷新上方的音色列表，就可以看到我们已经保存好的定制音色。 这里还有一个比较好玩的功能，那就是多角色对话。我们将页面滑到上方，点击上方的多人语音对话，按照上方的格式修改音色名称和对话的内容。 比如我这里输入的内容是这样的，下方模型这里也可以选择，我在这里选择为一点七 b。 最后面这里可以改变不同角色语音之间的间隔时长，小伙伴们可以根据实际情况进行调整， 我在这里选择为零点五秒。设置完成之后我们点击生成多人对话，效果是这样的，男人就算在荒原里迷路三个小时，也绝不会停下来问路， 这种迷之自信到底是从哪里来的？这不是自信，这是一种名为我一定能绕回去的尊严之战， 所以你们的尊严通常是靠多烧半箱汽油来维持的，也是蛮有意思的。我们再来更换角色和台词，点击生成，可以看到效果也是非常不错的。每个男人的心里其实都藏着一个仗剑天涯的英雄梦， 哪怕他现在只是挺着啤酒肚坐在沙发上吃薯片，哪怕是这样，只要手里拿个遥控器，他也能幻想自己在指挥银河战舰。 你们男人在自我催眠这方面确实拥有超凡的天赋。到这里，困三的本地部署声音，克隆音色，保存一句话，定制音色以及多角色对话，我就已经带大家完整的跑了一遍。 这个工具真正厉害的地方在于它可以长期稳定的出现在内容里。对于做内容的人来说，稳定往往比经验更重要， 因为只有稳定，你才有可能持续更新，才有可能走到后面的变现阶段。所以，如果你现在不想真人出镜，想让内容更加稳定的产出，或者想要一个人做多个账号多个角色， 那我真的建议你可以试一试昆三， ai 只是工具，变现才是王道。我是九怡。如果你也不想被工具牵着走，而是想把 ai 真正变成生产力，那一定不要忘记订阅我的频道，这样就不会错过我的更新啦！我们下期影片再见啦！

这可能是我目前看到最强的 ai 语音克隆工具了。阿里开源的这款千万三 tts 确实让我心动，研究了一下午，做了个懒人整合包，给大家介绍一下。它有三个语音合成模式。第一个，预设音色，它内置了包括中英日韩多国语言的九个配音员 输入带，合成文本后，还能用指令控制他的语气听下效果。你看过的第一本小说叫什么名字还记得吗？像这样能打的配音员还有八个。第二个模式，音色设计堪称空手套白狼的典范，不需要给他语音，你想要什么音色，就让 ai 生成什么音色。比如飞哥内置的这个三十五岁磁性质感老灯， 你也可以让他生成萝莉音、御姐音、正太音、老头老太太啥的，要啥有啥。第三个是重头戏音色克隆，以我们熟知的芬达老师为例，播放音频之后填上对应文字，你想让他说什么就写什么，听一下效果啊。 你看我的第一本小说叫什么名字还记得吗？就是这个味儿，你还能把喜欢的音色保存成档案，下次可以直接套用，效率拉满。同时，我在整合包设计了小巧思，比如多行文案转自然段，减少配音的停顿，以及读字母模式下不把 k、 o c 读成 coke。 实话讲，我用了这么多 ai 语音克隆工具，这个对英文发音是真的精准。阿里牛逼，千万牛逼！不要钱的 ai 语音克隆，真牛！

这两天，大模型赛道又扔出了一枚重磅炸弹，阿里正式发布了新一代全模态大模型千万三点五纳米，是大模型感官系统的一次彻底进化。 千万三点五纳米采用了混合注意力 m o e 架构，超过一亿小视频视频数据的原声多模态预训练，让它处理图片、视频、语音时，不再是生硬的模块拼接，而是具备了真正的跨模态推理能力， 在音视频理解、交互等两百一十五项任务中，拿下搜它多项关键指标超过 gemini 三点一 pro 更让人激动的是它涌现出的商业想象力，比如音视频 web coding 能力。 我现在根本不需要写 prompt， 只要对着镜头、拿着草图说出需求模型就能自主生成复杂的 app 或网页代码。这种从对话框到试听交互的转变，意味着 ai 正加速进化为真正能干活的生产工具。 先问三点五 omni 还能对长达十小时的音频进行细致拆解，甚至能读懂视频里的人物关系和情绪起伏，把繁琐的视频后期工作缩减到秒级，在视频创作、内容审核等领域很有落地价值，并且支持一百一十三种语言及方言的语音识别和三十六种语言及方言的语音生成。 未来的大模型竞争不再只是比谁更博学，而是看谁能更敏睿的捕捉物理世界的实时交互，并在极低成本下完成复杂的商业闭环。阿里这一步确实踩在了全模态原生时代的浪尖上。

就在刚刚，阿里通用实验室在没有任何预热的情况下，突然发布了其下一代全模态通用人工智能产品千问三点五 omni。 它专为图像、音频和视频理解而设计，在智能化和实时交互方面取得了革命性的进展。在音频领域，千问三点五 omni 支持七十四种语言，进一步打破语言沟通障碍。通过其无缝交互技术，不仅原生支持语义解析，还能实现对话的中断与无缝重启， 使语音交互更加拟人化，同时还能精准消除背景噪音。更强大的是，其内置的最新 t t s 引擎已经能够自动生成带有时间戳、场景切换和角色适配的详细视频脚本，实现了影视级别的专业配音效果。 a broad head with a prominent mane in males 而作为一款全模态通用人工智能模型，千问三点五 omni 最核心的突破在于它正在改变人类使用 ai 编程的方式。当前流行的 vibe coding 本质上仍然是通过语音转文字向 ai 下达指令， 而 ai 在 没有视觉的情况下去理解用户意图，类似于盲人摸象。尤其在 ui 设计等场景中，用户很难精准表达自己的创意。而 omni 第一次真正让 ai 可以 看见并理解你的想法，你只需要打开摄像头，对准白板，把你的想法直接画出来， ai 就 可以根据你的表达设计出更专业、更美观的界面。同样，在游戏开发等场景中，如果你有新的创意和玩法，也不需要再逐字输入，只需开启录屏，通过鼠标操作配合讲解，把你想实现的效果演示出来， omni 就 能快速理解你的意图， 并对程序进行更新和重构，使得开发效率得到了极大的提升。目前，阿里已经提供了多个 omni 的 在线测试入口，强烈建议各位上手体验，相信你会发现更多富有创意的新玩法。