语音模型
语音模型属于大模型分支，是专门处理语音信号的AI模型，核心能力包含语音转文字（ASR）、文字转语音（TTS）、语音翻译、声纹识别、语音降噪、情感识别、音色复刻等。和通用文本大模型不同，语音模型输入端是音频波形数据，会对人声、背景噪音做特征提取，学习人类发音规律、语调、停顿、方言特征。现在主流方案多是多模态大模型，文本、语音能力融合，可实现实时对话配音、智能客服语音交互、字幕自动生成、语音内容质检。
应用场景覆盖有声读物制作、短视频配音、智能硬件语音助手、在线会议转写、医疗语音录入、方言识别等。优质语音模型可以高度模拟真人音色，自然流畅，减少机械感。但语音模型存在一定风险，比如声音深度伪造，被用于电信诈骗，因此很多平台对音色克隆、语音生成设置权限和风控。同时语音模型对算力要求较高，离线部署、低延迟实时识别也是行业重点优化方向。
应用场景覆盖有声读物制作、短视频配音、智能硬件语音助手、在线会议转写、医疗语音录入、方言识别等。优质语音模型可以高度模拟真人音色，自然流畅，减少机械感。但语音模型存在一定风险，比如声音深度伪造，被用于电信诈骗，因此很多平台对音色克隆、语音生成设置权限和风控。同时语音模型对算力要求较高，离线部署、低延迟实时识别也是行业重点优化方向。
2026年10月23日，由JackDorsey主导的Block公司对外发布全新语音模型Dessa，这款模型一经亮相便引发行业热议。和市面上绝大多数语音AI不同，Dessa打破“语音转文字-大模型理解-文字转语音”的文字中转桎梏，采用纯语音训练、端到端语音输入输出架构，实现更贴近真人通话的全双工实时对话体验。
时间：2026-10-27
闽公网安备 35021102000564号