构建低延迟多语言语音智能体：NVIDIA Magpie TTS 的开放权重与完整部署控制

assafkip/claudemy

这是一个面向 Claude Code 的开源免费技能，定位为 Udemy、Coursera 的替代方案。用户给出一个主题，它会检索网络资料并生成约 12 节、每节 2 分钟的音频课程，并附上引用来源。技术标签显示其涉及文本转语音（ElevenLabs）、微学习与课程生成等方向。

liyupi/ai-promo-video-maker（AI 产品宣传片制作器）

liyupi/ai-promo-video-maker

一个开源仓库，提供由 AI 编程工具（如 Cursor、Claude Code、Codex）驱动的产品宣传片制作流程。用户给出产品名或网址后，工具会调研产品、生成多风格样图、截取 4K 页面、按音乐节拍剪辑、生成并校验 AI 旁白、自动审图，最终输出 4K 视频和网页版。项目基于 Remotion 与 ElevenLabs，采用 MIT 许可。

sitor-ai/frametell

一个借助 AI 导演智能体把想法和素材转化为生动讲解视频的开源项目，主打本地优先、可搭配任意模型。README 说明用户可用一句话或笔记、文档、PDF、幻灯片、图片作为输入，由导演智能体先产出草稿；项目以 Electron 应用形式提供 macOS（Apple Silicon）下载，标签涵盖故事板、文本转视频、TTS 等。

Gemini 3.8 文本转语音登场

Gemini 3.8 text-to-speech says hello

文章介绍 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两个音频生成模型，可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成定制角色语音、逐句指导场景对话。文中提到可用自然语言提示创建或复刻声音，控制节奏与情绪，并包含水印等安全工具。

Lure-TTS 与 Lure-Turbo：600M 语音模型，运行速度比实时快 4 倍，支持内联标签、指令控制和声音克隆，训练成本低于 200 美元

Lure-TTS and Lure-Turbo: 600M voice models to run 4x faster than real time, with inline (tags), direction, and voice cloning. Trained for under $200.

Hugging Face 上的模型页面（Lure-TTS-0.6B），作者介绍其基于 Qwen3-TTS 微调训练，使用了 RLVR、OPD 和多教师 OPD 等方法。流程包括先用分类器标注强度、笑声哭泣等事件、情感和指令等数据来清洗语料，再做 SFT 训练标签能力，随后通过多教师在线蒸馏整合声音克隆、指令理解、文本标签等能力。作者还将 15 次 pass 的 code predictor 缩减为 3 次 pass，使模型可达到比实时语音快 4 倍的速度，Turbo 版本 RTF 为 0.14（对比 0.195）。适合做语音合成、语音助手方向的读者。

支持声音克隆的 Pocket TTS 现在只有 190 万参数

Pocket TTS which supports voice cloning is now just 1.9 million parameters

Kyutai 的博客文章介绍其在 Pocket TTS（约 1 亿参数、支持声音克隆、可在 CPU 上实时运行的 TTS）基础上发布的一组更小模型，最大者为 1820 万参数并能匹配此前 Pocket TTS 的质量。文中列出了骨干、文本表、采样头与编解码解码器等各部分的参数缩减过程，并提到更小的模型用于探索。