# 情感控制

Chatterbox 是 Resemble AI 推出的第一個開源生產級文本轉語音 (TTS) 模型，具有卓越的性能和穩定性。它經過與頂尖閉源系統的比較，展現出更優的效果。該模型的獨特之處在於它支持情感誇張控制，適用於製作視頻、遊戲、AI 代理等多種場景。Chatterbox 的價格競爭力強，同時提供超低延遲，適合生產使用。

Zonos TTS 是一款先進的 AI 文本轉語音技術，支持多語言、情感控制和零樣本語音克隆。它能夠生成自然、富有表現力的語音，適用於教育、有聲讀物、視頻遊戲、語音助手等多種場景。該技術通過高質量音頻輸出（44kHz）和快速即時處理能力，為用戶提供高效且個性化的語音生成解決方案。雖然產品本身並非完全免費，但提供了靈活的定價方案以滿足不同用戶的需求。

Step-Audio是首個生產級開源智能語音交互框架，整合了語音理解與生成能力，支持多語言對話、情感語調、方言、語速和韻律風格控制。其核心技術包括130B參數多模態模型、生成式數據引擎、精細語音控制和增強智能。該框架通過開源模型和工具，推動智能語音交互技術的發展，適用於多種語音應用場景。

MaskGCT是一個創新的零樣本文本到語音轉換（TTS）模型，它通過消除顯式對齊信息和音素級持續時間預測的需求，解決了自迴歸和非自迴歸系統中存在的問題。MaskGCT採用兩階段模型：第一階段使用文本預測從語音自監督學習（SSL）模型中提取的語義標記；第二階段，模型根據這些語義標記預測聲學標記。MaskGCT遵循掩碼和預測的學習範式，在訓練期間學習預測基於給定條件和提示的掩碼語義或聲學標記。在推理期間，模型以並行方式生成指定長度的標記。實驗表明，MaskGCT在質量、相似性和可理解性方面超越了當前最先進的零樣本TTS系統。

InstructAvatar是一個創新的文本引導方法，用於生成具有豐富情感表達的2D頭像。該模型通過自然語言接口控制頭像的情感和麵部動作，提供了細粒度控制、改進的交互性和對生成視頻的泛化能力。它設計了一個自動化註釋流程來構建指令-視頻配對的訓練數據集，並配備了一個新穎的雙分支擴散基礎生成器，可以同時根據音頻和文本指令預測頭像。實驗結果表明，InstructAvatar在細粒度情感控制、唇同步質量和自然度方面均優於現有方法。