网易发布 Confucius4-TTS：业内首个支持 14 种语言跨语种无口音、且无需参考文本即可完成语音克隆的开源模型，3 秒音频即可克隆音色 (opens in new tab)

IT之家 6 月 23 日消息，网易有道今日发文，宣布推出“子曰 4.0”TTS 语音合成引擎 ——Confucius4-TTS。据网易有道官方介绍，Confucius4-TTS 是业内首个支持 14 种语言跨语种无口音、且无需参考文本即可完成语音克隆的开源模型。在技术性能方面，Confucius4-TTS 实现了零样本语音克隆能力。用户仅需提供 3 秒音频素材，无需参考文本与前期训练，模型即可完成音色克隆，克隆音色与原声相似度超过 85%，克隆任务准确度达 97%。据介绍，该模型全面支持中文、英语、西班牙语、法语、德语、韩语、泰语、越南语等 14 种语言的自然流利表达。其核心突破在于解决了语音合成领域长期存在的跨语种口音问题 —— 用户上传中文音频，AI 即可用该音色流利说出日语、英语等外语，发音地道自然。在情感表达方面，Confucius4-TTS 区别于传统 TTS 依赖文本标签控制情感的粗放方式，创新性地支持音频 Prompt 情感克隆迁移。系统可自动提取参考音频中的情感特征，精准复刻其语调、韵律，实现跨语种无损迁移。在底层架构上，Confucius4-TTS 实现了全面...