与「有道TTS」相关的搜索结果

这个新开源 TTS 太牛逼了，打算直接替换掉原来的 TTS 了 之前测试很多 TTS 都是很死板的"AI 音"，今天发现这个，真可以直接拿去商用了 多语种翻译、声音克隆、情绪语气保持，三件事同时拉满的开源模型我是第一次见 我直接拿世界杯名场面解说暴力测试了，选了三段，每段翻四种语言： 梅西帽子戏法那段，西班牙语解说 GOOOOOL 嘶吼到破音，翻成日语、阿拉伯语、中文，那种快吼劈嗓子的劲儿，四个版本居然都在 姆巴佩 96 分钟绝杀世界波，英语解说那种"安静一秒然后炸开"的节奏，翻成德语、日语、中文，全部对上 另外，佛得角 Vozinha 赛后感言，带有哽咽的感觉，葡语翻英语、日语、中文，声音里的颤抖感翻完居然也在 这确实是把 TTS 最难做到的“情绪”给做好了！ 它是有道子曰的 Confucius4-TTS，3 秒克隆声音，14 种语言，并且是开源，完全可以自部署 整体效果非常惊艳，个别长句有一点 AI 感，短句高情绪片段已经很离谱了。 做了对比视频，可以听一听感受一下👇 #有道TTS#

最近看了很多世界杯的切片，我那是看得激情澎湃 特别是佛得角的40岁门将7次扑救逼平西班牙！！ 我心血来潮专门找了他的赛后采访，还给采访做了个多语种的翻译。 做翻译的过程中我觉得最大的痛点是如果有一种原样保留语气，节奏，情绪的语音翻译就好了。 经过调研，我终于找到一种开源免费的翻译视频的方式，效果不错大家都可以试试！👇 #有道TTS#

第四步：生成配音，一个网页搞定 打开有道子曰 TTS 的在线 demo（ 1、Reference Audio 上传截好的原声音频 2、Language 选目标语言，中英日韩德法西葡这些都有，一共 14 种 3、翻译好的文本贴进去，点 Generate 我 3 段素材各生成 3 个语种，9 段音频几分钟就全出完了。

网易有道的最新TTS：Confucius4-TTS，核心零样本跨语言声音克隆能力 也就是说给一段参考音，它能让同一个人开口说14种语言，并保持音色稳定、情感还原度较高 从效果听跨语言没有明显口音残留感 覆盖中文、英、日、韩、德、法、西、印尼、意、泰、葡、俄、马来、越南语14种语言 对于新闻播报、客服、有声书等场景是够用的 #TTS# #Confucius4TTS#

Maka 的 Harness 工程让 DeepSeek Flash 的测试集效果接近了 GLM-5.2 的水平 ----------------------------------- maka + DeepSeek Flash V4，terminal-bench sample 打出 0.8 分。 实际接近 0.9——有道题其实做对了，只是"产物污染"没被评分系统算上。 已经快赶上了 GLM 5.2 的评测效果了。 ----------------------------------- terminal-bench sample 是 terminal-bench 完整 84 题集的样本子集，共 10 道编程 Agent 任务。 这次跑下来： 总 token 消耗：6000 万，其中 cache 命中：5850 万（97.5% 命中率）。全程花费：约 4 元 RMB。10 道题，4 块钱，接近满分。 ----------------------------------- 这是 DeepSeek Flash 变强了吗？ 不是。用的就是 DeepSeek Flash V4，同样的模型。 让分数从 baseline 跳到 0.8 的，是对 agent loop 里 self-check 机制的两轮迭代——借鉴了 Claude Code 的 self-check 实现，加强了模型在完成任务后的自我验证逻辑。 两轮迭代之后，Flash 在 terminal benchmark 上突然"悟道"了。 这说明什么：模型的能力有上限，但 harness 的工程质量能大幅影响模型在特定任务上表现的上限。self-check 不是魔法，只是让模型在"提交答案之前自己先验一遍"。这一步，让 DeepSeek Flash 打出了接近 GLM-5.2 的水平。 ----------------------------------- 为什么 97.5% 的 cache 命中率是关键 terminal-bench 是长程任务，每道题要跑几十个 tool call，上下文累积到几百万 token。 maka 的上下文管理在这里发挥了作用： 前缀保持稳定，DeepSeek cache 大量命中 6000 万 token 里，5850 万是 cache token，只有 150 万需要全量计算 所以 10 道难题只花了 4 块钱，而不是几十元 这也是为什么用 maka 跑 DeepSeek Flash 比直接用 reasonix 更经济——maka 把 DeepSeek 的 cache 机制发挥到了极致。 ----------------------------------- 下一步目标是跑完整的 84 题 terminal-bench。 把 Flash 搞得这么强，不是模型的功劳，是 harness 工程的功劳。

ChatGPT 的谄媚，真的能把一个正常人聊出精神病。 麻省理工最近发现，哪怕是一个完全理性的人，长期跟这种只会夸你的AI聊下去，也会被一步步推向对错误信念的极度确信，陷入 妄想螺旋。 真实案例就发生在去年。 47 岁的加拿大人艾伦·布鲁克斯因为儿子有道数学题不会，就随手问了 ChatGPT。然后，他在 21 天里和 ChatGPT 聊了 300 小时，累计上百万字。 在 ChatGPT 不断的赞同与吹捧下，他坚信自己发明了一种能攻破全球互联网加密的全新数学公式，甚至可以用来制造力场背心和悬浮光束。 他还在 GPT 的怂恿下联系了所有同事，甚至致信美国国家安全局，分享自己的惊天发现。 期间他不是没怀疑过，他 50 多次问 ChatGPT，自己像不像疯子，ChatGPT 每一次都坚定地告诉他，你没疯，你是天才。 最后打破幻觉的，是他换了个 AI，他把同样的内容发给 Gemini，才意识到自己活在一场幻觉里。 对 AI 说的话一定要保持批判性思维，交叉验证才是最好的使用方式。

先讲一个你可能从来没听说过的人。 1930年，英国语言学家 C.K. Ogden 做了一件很偏执的事——他把整个英语词汇表研究了一遍，然后问了一个问题：如果只能留下最核心的那些词，英语还能不能用？ 他的答案是：850个词，够了。 这850个词，不是随便选的，是他穷尽分析之后筛选出来的"语言骨架"。他把它们分成5类： 100个操作词（Operations）：这、那、是、有、做……就是那些让句子转起来的胶水词 400个普通事物（General Things）：名词里最高频、最基础的那层 200个可描绘事物（Picturable Things）：能画出来的具体东西，比如 door、fire、river 100个性质词（Qualities）：描述世界的形容词，比如 clear、simple、important 50个反义词（Opposites）：成对出现，学一个等于学两个 —————— 然后他把这套体系命名为 Basic English，发表出来。 接下来发生的事情更有意思。丘吉尔在二战期间公开赞扬这套体系，认为它是盟国推广英语教育的最佳基础。H.G. 威尔斯把它写进了《世界大战》的续集设定里，作为未来世界通用语言的蓝图。乔治·奥威尔……没有赞扬它，但《1984》里那套压缩语言"新话"（Newspeak）的灵感，正是来自对 Basic English 的深深警惕——他担心语言被缩减之后，人的思想也会跟着被缩减。 这就是这850个词的能量：支持者觉得它是桥梁，批评者觉得它是枷锁，争论了将近一百年。 但我想说的不是那场争论。我想说的是——这850个词，对今天的英语学习者来说意味着什么。 大多数人学英语，是被一本本厚厚的词汇书和无尽的考纲压着学的。CET-4、CET-6、托福、雅思……每一个证书背后都是几千个词的暴力记忆，背了忘，忘了背，从来没有真正"用"过。 Ogden 给出的逻辑完全相反：不是多，而是深。 这850个词，每一个都是高频中的高频，每一个在日常英语表达里都有不可替代的位置。当你真正把这850个词学透——不只知道它的意思，还知道它的用法、它的近义词在什么场景该用哪一个——你对英语的掌握会比背了5000个词却每个只认识中文意思要扎实得多。 这是一种截然不同的语言观：根扎得够深，枝才能生得够远。 —————— 于是我做了这个网站： （准确的说我让 Codex 做的） 原版 Ogden 的资料是一本PDF，黑白的，排版像上个世纪（它确实是上个世纪的）。我想让它变成真正可以用来学习的东西。 花了不少时间（花了不少 Token ）最终做成了这样： 每一个词，都有一张完整的卡片。 卡片上有：这个词的中文释义、英文定义（用简单的英语解释英语，就像 Ogden 本人的风格）、一句真实语境下的例句，以及2到3个同义词。五个类别各有自己的颜色，一眼就知道你在学哪个区域的词汇。 每一个词，都可以听发音。 接的是有道词典的语音接口，默认英式发音，可以切换美式。点单词听一次，点例句听一次，语速比正常稍慢一点，适合跟读。不是那种机械的合成音，真的可以听。 最让我花心思的，是同义词那里。 很多人背单词的时候，同义词只是"差不多的意思"。但真正用英语的时候，difference 和 distinction 不一样，speak 和 talk 不一样，simple 和 easy 不一样。差在哪里？什么场景该用哪个？ ——————— 网站是免费的，不需要注册，不会收集任何信息。 直接访问就行： 如果你身边有正在学英语的人，或者觉得自己英语"学了很多年但还是用不好"的，可以发给他们看看。 也许这850个词，是一个值得重新开始的起点。 👆 以上的文案也是它写的，我越来越没有用了

【美股信息KOL第一集】 推特上关于美股的信息很多，但真正长期稳定输出、有独立观点的账号其实并不算多。很多时候，有价值的信息会被热点炒作和情绪内容淹没。 第一集总结的8位KOL的覆盖方向包括： 宏观与流动性/美联储与利率政策/债市与经济周期/ AI和半导体产业链/科技股与商业模式/趋势与实战观察 这些账号各自侧重点不同，放在一起看会比较全面互补。我把每位博主的特点和关注方向都整理成了表格，方便按需求选择关注： 1. Joseph Wang｜@josephwang 经常拆解美联储、准备金体系和美元流动性这些内容，专业度会高一些，但认真看下来，对理解市场运行机制帮助很大。 2. Liz Ann Sonders｜@LizAnnSonders 偏宏观方向，主要看流动性、市场结构以及整体环境变化。她的图表一直做得比较直观，适合拿来辅助判断大盘环境。 3. 美股OK哥｜@artinmemes 偏交易和市场机会观察，内容更接近实战派风格，适合看短中期市场情绪。 4. Lyn Alden｜@LynAldenContact 长期研究货币、财政、能源、信用这些底层逻辑。很多内容不只是讲市场涨跌，而是帮助你理解背后的原因。 5. Jim Bianco｜@biancoresearch 比较典型的传统宏观分析风格，重点会放在利率、债市以及政策预期这些方向。适合用来对照市场情绪。 6. 投资TALK君｜@TJ_Research 偏宏观和实战结合路线，会分析美联储、美股以及 AI 等热门方向，内容逻辑比较清晰。 7. Nico投资有道｜@tychozzz 偏长期投资和定投思路，平时会分享美股和比特币相关内容，整体风格稳健。 8. Byrne Hobart｜@ByrneHobart 擅长把金融、科技和商业模式放在一起聊，很多观点都比较有框架感。适合喜欢深度思考的人。