Baidu
端到端语音语言大模型(Flex)
百度於 2026 年 9 月 16 日公告推出 Flex 公測版,定位為注重靈活性與任務執行的端到端語音語言大模型,提供自然語音互動與語音合成。(ai.baidu.com) 支援伺服器自動語音活動偵測(VAD)與手動提交音訊兩種互動模式。 支援 Function Call,可連接外部工具與業務系統執行任務。 支援 70 種以上預設音色及音色切換,並提供搜尋與指令遵循能力。 發布公告稱知識庫檢索增強…
了解模型繁體中文
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
百度於 2026 年 9 月 16 日公告推出 Flex 公測版,定位為注重靈活性與任務執行的端到端語音語言大模型,提供自然語音互動與語音合成。(ai.baidu.com) 支援伺服器自動語音活動偵測(VAD)與手動提交音訊兩種互動模式。 支援 Function Call,可連接外部工具與業務系統執行任務。 支援 70 種以上預設音色及音色切換,並提供搜尋與指令遵循能力。 發布公告稱知識庫檢索增強…
AuK-Flash 是 AuK 語音生成與編輯基礎模型的蒸餾版本,提供開放權重,主打快速四步推論。AuK 基礎模型約有 15 億參數;官方模型卡標示採用 MIT 授權。(huggingface.co) 模型透過自然語言指令及視任務需要提供的參考音訊,支援零樣本和指令式文字轉語音、語音及歌詞內容編輯、音高/語速/音量調整、情緒與音色編輯、語音增強及音源分離。適合用於配音、語音內容修改和音訊清理等場景…
AuK 是開源的語音生成與編輯基礎模型,規模為 15 億參數,透過統一的自然語言指令介面執行多種音訊任務。本條目對應高品質生成的 AuK 基礎版;AuK-Flash 是另行提供的四步推論蒸餾版本。(huggingface.co) 支援零樣本文字轉語音:以參考音訊的聲音朗讀指定文字;也支援僅依聲音描述生成語音。 支援語音內容、音高、語速及副語言特徵編輯,以及語音增強和聲源分離。 可用於配音、語音內容…