FireRedAudio：统一 9B 音频大模型支持一小时长音频
pmttyji · reddit · 2026-08-22
FireRedTeam 发布了 FireRedAudio，一个基于 9B 参数 LLM 的通用音频语言模型。它采用解耦连续表示设计：音频编码器负责理解，RedAE 路径负责生成。单一模型即支持 ASR、音频理解、零样本 TTS、指令 TTS、语义/声学语音编辑，并能处理长达一小时的录音，提供精确的时间定位与摘要。
同期发布的 FireRedTTS3 是基于语义增强表示的统一语音生成与编辑系统，包含 Base 版（支持 24 种语言 和 21 种中文方言的零样本克隆）和 Instruct 版（支持自然语言语音设计与编辑）。论文称其在多项评测中取得了领先的 WER/CER 和说话人相似度成绩。
「多模态」频道最新
- HyperFrames 推出 Reference Any Video:Agent 可参考任意视频风格创作 — aftahi_ai · 2026-10-16
- 实测对比:Krea 2 配 LoRA 效果仍胜过 Flux 3 Klein — Angaisb_ · 2026-10-16
- World Labs Atlas 测试版开滚：像素级精确控制视频镜头路径 — theworldlabs · 2026-10-16
- Krea 3 图像编辑模型上线 fal：6 秒内完成高质量改图 — gorkem · 2026-10-16
- Tripo P2 对比 Meshy 7.1：当前最强图生 3D 模型横评 — noahsolomon · 2026-10-16
- BytePlus 合办 AI 电影大赛:100 万美元大奖,须用 Seedance 生成 70% — DavidmComfort · 2026-10-16