# 情感控制

Chatterbox 是 Resemble AI 推出的第一个开源生产级文本转语音 (TTS) 模型，具有卓越的性能和稳定性。它经过与顶尖闭源系统的比较，展现出更优的效果。该模型的独特之处在于它支持情感夸张控制，适用于制作视频、游戏、AI 代理等多种场景。Chatterbox 的价格竞争力强，同时提供超低延迟，适合生产使用。

Zonos TTS 是一款先进的 AI 文本转语音技术，支持多语言、情感控制和零样本语音克隆。它能够生成自然、富有表现力的语音，适用于教育、有声读物、视频游戏、语音助手等多种场景。该技术通过高质量音频输出（44kHz）和快速实时处理能力，为用户提供高效且个性化的语音生成解决方案。虽然产品本身并非完全免费，但提供了灵活的定价方案以满足不同用户的需求。

Step-Audio是首个生产级开源智能语音交互框架，整合了语音理解与生成能力，支持多语言对话、情感语调、方言、语速和韵律风格控制。其核心技术包括130B参数多模态模型、生成式数据引擎、精细语音控制和增强智能。该框架通过开源模型和工具，推动智能语音交互技术的发展，适用于多种语音应用场景。

MaskGCT是一个创新的零样本文本到语音转换（TTS）模型，它通过消除显式对齐信息和音素级持续时间预测的需求，解决了自回归和非自回归系统中存在的问题。MaskGCT采用两阶段模型：第一阶段使用文本预测从语音自监督学习（SSL）模型中提取的语义标记；第二阶段，模型根据这些语义标记预测声学标记。MaskGCT遵循掩码和预测的学习范式，在训练期间学习预测基于给定条件和提示的掩码语义或声学标记。在推理期间，模型以并行方式生成指定长度的标记。实验表明，MaskGCT在质量、相似性和可理解性方面超越了当前最先进的零样本TTS系统。

InstructAvatar是一个创新的文本引导方法，用于生成具有丰富情感表达的2D头像。该模型通过自然语言接口控制头像的情感和面部动作，提供了细粒度控制、改进的交互性和对生成视频的泛化能力。它设计了一个自动化注释流程来构建指令-视频配对的训练数据集，并配备了一个新颖的双分支扩散基础生成器，可以同时根据音频和文本指令预测头像。实验结果表明，InstructAvatar在细粒度情感控制、唇同步质量和自然度方面均优于现有方法。