模型介绍

您可以在此处了解关于我们各个模型的介绍，以及相关的优缺点等

我们的VOCU语音大模型已预先经过海量中文音频的训练，训练的内容涵盖多种类型，但最多的是有声读物与常规对话音频。如果您提供的克隆音频样本以及目标文本是此类内容，则通常会在生成语音时取得较好的效果。我们的模型会尽可能模仿克隆音频样本的语调、语速、情感、停顿、响度、声学环境、呼吸声、口音、发声方式等特征，尽可能理解目标文本的上下文，并综合它们来产生最匹配的语音。

VOCU语音大模型 V2.9

发布于2025年3月1日，当前为最新版本，此前V2.X角色已自动升级至此兼容版本

Vocu语音大模型的最新版本，此版本引入了大量来自开发中的V3版本模型的功能与改进，在中文语音内容生成表现上达到了全球范围的SOTA水平，相比此前版本更新内容如下：

• 大幅提升了非Flash模型（即高质量模式）下的生成音频质量，且解决了长期以来生成结果可能出现电流镶边感的问题。

• 大幅提升了非Flash模型（即高质量模式）下的角色相似度与角色稳定性，且可较大程度上还原角色原音频样本中的声学环境（诸如空间感、混响、音量、录音质感等）。

• 新增了全新的全球首个角色音色混合能力，可自由指定多个不同角色的音频样本，并自由按照比例对其进行混合，来创造出全新的角色音色。（内部测试中，即将逐步开放）

• 新增了全新的全球首个角色风格混合能力，在创建新的情感风格时，可以分别指定风格样本与角色样本来进行融合，来创造出全新的角色情感表现；例如，您可以将相声演员的风格与小女孩的角色进行融合，来为这个小女孩角色创造出说相声时的全新情感表现。（内部测试中，即将逐步开放）

• 新增了全新的零门槛角色智能翻配/翻唱能力，可以直接让现有的指定角色对已经完成的生成结果进行重新翻配，或对您所提供的任意语音或歌曲音频内容进行翻配或翻唱，并在此过程中保留角色的许多风格特点，为您带来更自由的新式音频创作体验。（内部测试中，即将逐步开放）

当前，该版本模型角色的生成点数消耗为1点数/字符

VOCU语音大模型 V2.5

发布于2024年11月26日，已弃用，对应角色已自动升级至V2.X系列最新版本

我们V2.X系列语音大模型的第二个正式版，此版本引入了全新的超参数与训练策略，相比此前版本进一步提升了生成结果的自然度、韵律及情感表现，且一定程度上提升了角色的相似度、长篇内容的稳定性、以及英文内容的生成表现。

VOCU语音大模型 V2.1

发布于2024年8月16日，已弃用，对应角色已自动升级至V2.X系列最新版本

我们V2.X系列语音大模型的首个正式版，此版本在自然情感表现力、生成效果、稳定性、瞬时克隆相似度等各项效果上相比过往版本具有大幅提升，且带来了更快的生成速度与更高的音频质量，改进了英文生成效果，并改善及新增了以下能力：

• 方言能力支持：得益于Vocu超强的人声理解能力，我们现已能够初步提供对部分种类的方言口音支持能力，包括河南话，东北话，重庆话等官话类方言口音及少部分非官话发音。

• 低延迟播放：V2.1版本的版本Flash模型现已支持最短1秒内开始播放生成结果，不限文本长度，满足各类低延迟实时需求。在网页端使用时选择“低延迟模式即可。

• 更精细的瞬时克隆能力：瞬时克隆模式下，V2.1对于较长样本的理解力相比V1.0版本提升了4倍，能够更深入地模仿较长样本中蕴含的各类表现。

• 更好的长上下文理解能力：V2.1版本对于较长生成文本的理解能力相比V1.0版本提升了3倍，可一次性理解更多文本，并生成更为贴合且更连贯的声音表现。

• Websocket毫秒级生成：我们面向开发者增加了全新的Websocket生成通道，可实现流式生成请求与结果返回，且生成延迟最低可至500ms，足以满足各类高实时性需求。

• 更快的专业克隆速度：专业克隆的所需时间大幅缩短，对于30分钟的样本，在3-5分钟内即可完成克隆任务。

VOCU语音大模型 V2.0Beta-3

发布于2024年7月8日，已弃用，对应角色已自动升级至V2.X系列最新版本

我们V2.X系列语音大模型的第三个测试版，相比第二个测试版更进一步拥有以下改进：

• 电流音杂音问题已得到极大改善，现在对于大部分音色样本应无法感知到明显电流音

• 稳定性大幅提升，现在对于长篇复杂内容的单次生成稳定性表现应得到较大改进

• 情感韵律表现获得较大提升，现在对于非过于平淡样本的情感表现应有明显改善，建议搭配包含语气词及口语化表述的文本获得最佳体验

• 英文表现大幅改进，现基本已达到可用状态

• Flash模型流式生成延迟降低50%+，在资源充足情况下可固定在500ms - 1秒内获得可播放的生成结果

• 采用全新技术策略，并发承载能力大幅提升，应有效改进此前因近期使用量增多导致的拥堵问题

对比V1.0版本的详细更新内容请参见V2.1正式版介绍。

VOCU语音大模型 V2.0Beta-2-Flash

发布于2024年6月25日，已随V2.0Beta-2弃用，后续版本均同步包含对应的Flash模型

Vocu语音大模型的首个低延迟Flash分支版本，由V2.0Beta-2衍生而来且互相兼容，带来了低延迟的生成时流式播放体验，但相比主模型的音频质量会有所下降；在资源充足的情况下，任意长度的内容通过该版本Flash模型均可实现在提交任务后1-2秒内即可开始聆听生成结果。

VOCU语音大模型 V2.0Beta-2

发布于2024年6月18日，已弃用，对应角色已自动升级至V2.X系列最新版本

我们V2.X系列语音大模型的第二个测试版，在稳定性、可用性、音频质量等各个方面相比第一个测试版均有进一步提升与改进。对比V1.0版本的详细更新内容请参见V2.1正式版介绍。

VOCU语音大模型 V2.0Beta-1

发布于2024年6月10日，已弃用，对应角色已自动升级至V2.X系列最新版本

我们V2.X系列语音大模型的首个测试版，此版本的生成效果，稳定性、瞬时克隆相似性、生成速度与音频质量相比V1.0版本有较大提升，但此时仍存在较多问题。对比V1.0版本的详细更新内容请参见V2.1正式版介绍。

VOCU语音大模型 V1.0

发布于2024年1月11日，现已停止维护，不支持创建新V1.0角色；现有V1.0瞬时克隆角色可继续生成或一键升级至V2.X版本。

我们首个正式发布的模型版本，可一定程度上理解文本上下文，并以与真人几乎无异的表现力、情感、韵律和音色来基于文本生成人声音频，并且支持以极短样本进行瞬时语音克隆。该版本模型还带来了对英文语音合成及克隆的实验性支持，但目前相较中文的稳定性与表现力可能较差。

目前，此模型的点数消耗量为1点数/字符。

VOCU语音大模型 V0.9Beta

发布于2023年11月，已弃用，对应角色已自动升级至V1.X系列最新版本

我们的第一个公开发布的实验性语音大模型，也是全球首个具有中文本土化自然表现的生成式语音大模型。此模型可以以接近真人的语速、语调和语气来生成语音，更能模仿情绪上的变化，让AI更加接近人类，并且支持瞬时语音克隆技术。目前仅支持中文。

此版本的语音模型(V0.9)仍然处于早期测试阶段，存在较多已知问题。