@cryptoresetlife Qwen3-TTS-12Hz-1.7B-Base-8bit， 本地克隆任何人的声音，只需5秒样本。 出声速度比走网络豆包语音快， 在Mac Studio 512g下实测首音频延迟大约200ms， 效果也是跟sota相比有过之而无不及。

推荐这份清单，几个新出的 TTS 和实时语音工具。 首个专门的开源 TTS 模型来了，WebRTC SDK 也开源了——从模型到基础设施，都有东西在动。 Voice Agent 领域的几个新发布和工具。 1. Qwen3-TTS（新） 阿里 Qwen 团队发布的开源 TTS 模型。目前细节不多但值得标记——Qwen 系列在语音方向上的第一个专门 TTS 模型，不再是通用 LLM 的附加功能。 GitHub： 2. MOSS-TTS / MOSS-TTS-Nano OpenMOSS 团队发布的两个 TTS 模型。Nano 版本主打轻量和本地部署，适合嵌入式和边缘设备场景。 GitHub： 3. LLMRTC — 开源实时语音/视觉 Agent SDK 纯 TypeScript 的开源 SDK，用于构建实时语音和视觉 AI agent。基于 WebRTC，直接支持浏览器端和 Node.js。适合想自己搭建类似 ChatGPT Voice Mode 或 Gemini Live 体验的开发者。 GitHub： 4. Building Enterprise Realtime Voice Agents from Scratch 一篇从零构建企业级实时语音 Agent 的技术教程。覆盖了 WebRTC 信令、STT 选型（Whisper vs Deepgram vs 自建）、LLM 延迟优化、TTS 流式输出、以及生产环境的断线重连和状态恢复。 5. Voice Agent Latency Optimization 最佳实践 社区维护的语音 Agent 延迟优化指南。核心发现：端到端延迟的主要瓶颈往往不在模型推理，而在 audio chunking 策略和 VAD（Voice Activity Detection）参数调优。一个常被忽略的优化点是服务端音频缓冲区大小——默认 20ms 的帧长在某些网络条件下会导致不必要的等待。 GitHub：voice-agent-examples #VoiceAgent# #TTS# #WebRTC#

通义发布 Qwen-Audio-3.0-TTS 语音模型 一段参考音能说 16 种语言和 20 种方言 首包延迟做到 300 毫秒级 同一段参考音可以跨 16 种语言念，音色不走样：CV3-Eval 上说话人相似度 16 个语种全部排第一，Plus 平均 82.75 分（百分制，越接近 100 越像本人）。

生成的质量真心不错，需要TTS的可以试试。 Spark-TTS 核心特点： 基于LLM的高效TTS系统：完全基于Qwen2.5构建，无需额外生成模型 零样本声音克隆：无需特定训练数据即可复制说话者声音 双语支持：同时支持中文和英文，跨语言场景表现优秀 可控语音生成：可调整性别、音高、语速等参数创建自定义声音 技术亮点： 直接从LLM预测的代码重建音频，简化处理流程 支持Nvidia Triton推理服务，适合生产环境部署 性能优异，在L20 GPU上实时因子(RTF)低至0.0704 #AI# #AIAgent#

上海交通大学开源 F5-TTS 语音生成模型。该模型基于 10 万小时数据训练，支持中英多语言合成。技术特性包含 Zero-shot 声音克隆、基于总时长的速度控制、情感表现控制及长文本合成。支持商用。