Phonon TTS 发布端侧语音模型，登顶 Hugging Face Open TTS 榜单
Phonon TTS 发布可在设备本地运行的小型语音模型，无需服务器和网络，提供约 65 MB 和 75 MB 两个尺寸，覆盖英语、法语、德语、西班牙语和葡萄牙语。
借鉴点
能拿走 ptts 多后端推理框架和 Transformers 里约 200 行的模块化接入写法，把 TTS 落到本地模型部署与端侧语音产线，代价是要自己处理 flow matching 训练不稳定和声音张量预计算。
#语音
只收明天就能用得上的Hugging Face Blog精选AI 评分7171
掘金精选AI 评分7575 给 AI 装上耳朵：离线语音识别与唤醒的国内环境踩坑实录
作者复盘本地 AI 中控的离线语音识别与唤醒实践，记录三个坑及修法。
借鉴点能拿走模型候选列表顺序即优先级加环境变量逃生舱、HF_ENDPOINT 镜像、GitHub 走 REST API 下 release、SAPI5 零子进程播报；落到本地模型部署和语音产线，代价是唤醒率与音质仍需本机实测。
掘金精选AI 评分7878 Agent 语音引擎从 CosyVoice2 zero-shot 换成 GPT-SoVITS 微调，说话人余弦 0.06 升到 0.89
作者给 QQ 上的 Agent 做固定角色语音回复，先用 CosyVoice2 zero-shot 加频响补偿做到够用，再用自写脚本量出说话人余弦只有 0.06–0.09、底噪抖动达 30dB 的天花板。
借鉴点可拿走一套 TTS 量化脚本（人声厚度、底噪 p10、说话人余弦）和 GPT-SoVITS v2 微调参数，把固定角色音色从 zero-shot 换成训练进权重，代价是要 100s 级清洗音源并接受 seed 抖动。
掘金精选AI 评分8888 VoiceStudio 搭配 VoxCPM 2 本地配音教程：参考音频清洗、分段与质检全流程
作者用 VoiceStudio 加 VoxCPM 2 在本地搭出一套可商用的中文配音流程，给出图形界面和 Mac 上 mlx-audio 两条路线。
借鉴点能拿走参考音频清洗流程（HTDemucs 分离加 DeepFilterNet3 降噪、停顿低于语音 25 dB 的门禁）、每段不超 100 字只在句末切、ASR 对稿超 0.15 换种子重试，落到视频产线和本地模型部署；代价是 Mac 上单进程串行跑，参考不干净会整段返工。
掘金精选AI 评分7878 从零搭建 QQ「大肥鱼」AI 机器人：NapCat 加 AstrBot 串起 DeepSeek、语音与飞书 Agent
作者用一台 Ubuntu 服务器、两个 Docker 容器和五个自写插件，把 NapCat（OneBot v11）、AstrBot 4.29.3、DeepSeek deepseek-flash、本地 Whisper、Edge TTS 和 DSH Agent 串成一条 QQ 机器人链路，并给出可复制的命令与配置。
借鉴点能拿走 NapCat+AstrBot 双容器串联、modalities 显式声明、Whisper 强制中文加 loudnorm 归一化、TTS 前正则清洗这几处具体配置，落到本地模型部署和知识沉淀线；代价是 QQ 自动化有封号风险，NapCat 重启要重扫码。
Hugging Face Blog精选AI 评分6868 NVIDIA 发布 Nemotron 3.5 Transcribe 语音模型与 Granary v2 数据管线
NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合进一个 checkpoint，支持 40 种语言转写、31 种语言与英文互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。
借鉴点可拿走 Granary v2 四阶段数据管线和 NeMo Speech 微调配方（编码器+投影训练、LoRA 调语言模型、按解码结果选 checkpoint），落到本地模型部署与知识沉淀线；代价是需自备至少 100 条真实标注片段做选点，且通用英文 WER 会小幅上升。
掘金精选AI 评分7878 用 MOSS 生图、TTS 和 ffmpeg 把历史故事做成竖屏视频的完整流水线
作者用 MOSS 开放平台的生图与 TTS 接口加 ffmpeg，把法拉第与爱迪生的历史故事做成 1080×1920 竖屏视频，全程不开剪辑软件。
借鉴点能拿走分镜 JSON 加三个脚本的纯命令行流水线，按实测音频时长反推时间线、ASS 烧字幕、ffmpeg zoompan 运镜，落到视频产线；代价是生图水印需 OpenCV inpaint 本地处理，concat 清单必须写绝对路径。
Hacker News · AI 讨论精选AI 评分7878 Poldi 开源本地离线语音助手，面向小显存消费级硬件
RhinoDevel 在 GitHub 开源 Poldi，一个完全跑在本地硬件上的语音对话助手，用 C# 写服务端，配 Node.js 免手客户端和网页客户端，支持唤醒词、打断回答和终端模式。
借鉴点能拿走一套低显存本地语音助手的完整配置，含各档模型对应的量化版本与采样参数、分类器与记忆模型分开加载、keepLoaded 关掉后用快照换显存；落到本地模型部署这条线，代价是要自己装 SearXNG、Caddy 和一堆编译依赖。
掘金精选AI 评分7878 Windows 桌面语音唤醒从 Vosk ASR 迁移到 sherpa-onnx KWS 的实践复盘
作者把 Windows Electron 桌面语音助手的唤醒方案从 Vosk Grammar 模式换成 sherpa-onnx 的 KeywordSpotter 加 Silero VAD，唤醒判定从识别文本的字符串匹配变成声学 token 序列精确匹配。
借鉴点能拿走 KWS 阈值三档、400ms 宽限期、预卷环形缓冲和 numThreads=1 这几个具体配置，换掉用 ASR 文本匹配做唤醒的链路；代价是 VAD 挡不住旁人真语音，还得另加声纹或文本过滤。
AWS Machine Learning Blog精选AI 评分5858 AWS 用实测 Q_max 和 T_total 推导 SageMaker 上 Kokoro-82M 的自动扩缩容阈值
AWS 机器学习博客给出在 Amazon SageMaker AI 实时端点上部署 Kokoro-82M 并实测推导自动扩缩容参数的方法，用 Q_max（单实例在 SLO 内能承受的最高并发）和 T_total（一次扩容端到端耗时）两个测量值算出扩容阈值、缩容阈值和两个冷却时间。
借鉴点能拿走一套五命令链 drift/qmax/ttotal/plan/validate，用实测并发上限和扩容耗时反推扩缩容阈值与冷却时间，落到本地模型部署线；代价是要跑约 36 分钟压测并占用 GPU 配额，样本容器还钉着有已知漏洞的旧 PyTorch。
AWS Machine Learning Blog精选AI 评分6060 AWS 用 SageMaker AI 上的 Kokoro TTS 为 AI 智能体流式输出低延迟语音
AWS 介绍在 Amazon SageMaker AI 上托管 Kokoro-82M 语音合成模型，把智能体产出的每个句子即时送入合成，而不是等整段回复生成完再开始。
借鉴点能拿走逐句切分流式合成、双向 WebSocket 会话复用和二进制与 JSON 控制帧混传三段代码，落到语音产线和本地模型部署；代价是要自建带 bidirectional-streaming 标签的容器，且示例镜像锁了旧版 PyTorch。
Hugging Face Blog精选AI 评分6060 IBM 发布 Granite Speech 5.0 系列语音模型
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
借鉴点三个模型按精度、端侧速度、说话人归属分工选型，2B 版支持 2000 词关键词偏置和语言 ID 提示词，代价是关键词表要自己维护、格式化输出得在提示词里显式要求。
Hugging Face Blog精选AI 评分7272 IBM 发布 Granite Switch 4.1：单端点同时提供对话、决策与语音转写
IBM 发布 Granite Switch 4.1，8B 和 30B 两个版本在同一个托管端点上同时提供对话、通用与安全决策、语音转写能力。模型组合了新的通用决策 aLoRA、在安全决策任务上平均优于 Jev 1.13 等模型的 Guardian aLoRA，以及 OpenASR 榜首的 Granite-Speech-5.0-Turbo-CTC，整体显存占用约等于基座模型本身。
借鉴点把通用决策、安全决策和 ASR 三个 aLoRA 挂到同一基座、共享 KV cache，显存约等于基座本身；自组 Switch 模型需自己训 aLoRA，Adapter SDK 尚未放出。
已经到底了