伯克利 StyleStream 2.0：流式语音转换延迟降至 520ms 提速一倍
Berkeley · hf · 2026-10-23
UC Berkeley 团队发布 StyleStream 2.0，针对一代的两个短板——消费级硬件上约 1 秒的端到端延迟、缺少文本界面来设计/编辑目标音色——进行升级：
- 采用少步数 pixel MeanFlow 模型并结合 Self Forcing 式自回归反馈微调，端到端延迟降至 520ms，比 1.0 提速 2 倍，同时保持转换质量
- 通过统一的 flow matching 模型支持基于文本的音色设计与编辑
该项目保持零样本语音风格转换（匹配目标音色、口音与情感并保留语言内容），论文与模型已发布。
「多模态」频道最新
- Suno 官方盘点五个鲜为人知的隐藏功能 — suno · 2026-10-23
- Meshy 联动 Hermes：$1 买一个月 Pro 含 API 额度 — Teknium · 2026-10-23
- Customuse 推出几何感知 Smart Mesh AI，一键给角色换装 — SimplyAnnisa · 2026-10-23
- AI 生成电影海报《The Chase》：狼、飞机、肌肉车同框的疯狂追逐 — Aggravating-Sir-115 · 2026-10-23
- 仅 11.84MB 的可操控 TTS 发布：WER 不变，CPU 上 19 倍实时 — Working_Hat5120 · 2026-10-23
- ElevenLabs 推出 Chimera：Eleven v4 语音加 Seedance 视频让角色开口说话 — AIwithGhotai · 2026-10-23