九个自研前沿模型无与伦比的人性化表现
从超拟人的语音合成起步，如今覆盖语音、音乐、音效、视频翻译、全种类音频、实时对话与 3D 角色交互。所有模型都基于我们自己的基座训练。
Voice 4.0
音色克隆、声音设计与开放域自然语言导演控制，统一在同一个模型里。模型会自己读懂文本的情绪；需要细调时，用 {{自然语言描述}} 告诉它怎么演。
- 瞬时克隆
- 大于 2 秒的样本即可，推荐 5–30 秒；音色还原度 99.5%+，连同语气、语速、停顿、响度与声学环境一起复刻。
- 声音设计与 Remix
- 不需要任何样本，用一句描述创造全新音色；也能在已有音色上一句话生成风格变体。
- 导演控制
- 在文本任意位置写下 {{ }}，控制情绪基线与瞬时切换、语气音量、停顿节奏、语调与口音。
- 多语言混读
- 覆盖大量主流语言与中文口音；一段文本里自由混排多种语言，支持拼音指定读音。
- 流式低延迟
- 首包 300–400ms，低延迟部署可至 150–200ms；单流约 7 倍实时。
- 高保真输出
- 原生 48kHz / 44.1kHz / 24kHz，wav 或 mp3。
Voice 3.5
目前在 Vocu 悟声上全面可用的语音模型。3 秒样本即可克隆音色，不需要人工标注就能读懂文本情绪，哭、笑、喊、唱都能自然地演出来。
- 3 秒克隆
- 3 秒样本瞬时克隆任意音色，声纹还原度 99.5%+。
- 30+ 语言与口音
- 粤语九声六调、天津话的语气词与声调都能精准还原，多语种发音地道。
- 超拟真情感
- 自主理解文本情感，哭、笑、唱、喊，自然转折。
- 声音设计 · Remix
- 自然语言描述创造新声音；现有角色加一句指令，得到专属变体。
- 空间感复刻
- 高保真复刻原音频的质感与空间环境，44.1kHz 输出。
Agent A3.5
超拟真的实时语音对话：随时可以打断，能听出你的情绪，会调用工具替你把事办完。
- <450ms 首包
- 流式输出，真正的全双工，随时打断与追问。
- 情绪感知
- 端到端感知用户情绪，动态调整回应策略。
- 自定义 Persona
- 为每个 Agent 设定独立的人格、声线与交互风格。
- RAG 与工具调用
- 通过 Skills / MCP 协议获得自主行动能力。
Music 1.1
描述风格，就能得到一首完整的歌。中文 Rap、粤语流行、东北 DJ、日语 Hardcore、法语香颂都足够地道；也能让你克隆或设计的声音来唱。
一首温暖的吉他民谣，适合深夜一个人听。
- 本土化曲风
- 对中文及多语言曲风的理解足够地道，方言与小语种也唱得自然。
- 懂歌词
- 准确理解歌词与简短的意图描述，不需要写复杂的 Prompt。
- 自定义歌手
- 克隆或设计的声音与生成音乐无缝融合，实现 AI 歌手级演唱。
- 分轨与高保真
- 人声、鼓组、Bass、旋律分轨提取；商业级 44.1kHz 输出。
Sound 1.0
用一句话、一张图或一段视频生成音效。模型会推理画面里的空间与时序事件，生成的雨声、雷声与城市环境声可以直接放进时间线。
- 文本生成
- 描述场景，生成对应的环境音与事件音。
- 图像生成
- 根据画面内容自动推理应有的声音。
- 视频同步
- 逐帧追踪时序事件，生成与画面同步的音效。
- 空间叙事
- 宏大的场景感、清晰的空间层次与叙事节奏。
Dubbing 1.0
把视频一键译成另一种语言，同时保留原演员的音色、情感与韵律张力。为短剧出海与影视本地化而生。
- 同音色跨语言
- 换一种语言，还是原来那个人在说话。
- 端到端
- 识别、翻译与配音在一个模型里完成，不再是多个环节的拼接。
- 面向出海
- 短剧出海、影视本地化等原生需求。
Omni 1.0
一条提示词，同时生成人声、音乐、音效与环境声。输入剧本，得到多角色、带配乐与音效的完整混音作品。
夜雨敲打着客栈的瓦檐，远处传来打更声，桌上的烛火被穿堂风吹得忽明忽暗。音乐以二胡为主奏，配上琵琶轮指、低沉的鼓点和悠远的箫声，肃杀中透着苍凉。剑客（中年男性，嗓音冷峻沙哑，气息绵长，江湖气十足）按住腰间长剑，沉声道：“阁下跟了我三百里，是为了庄主的人头，还是为了这把剑？”黑衣人（青年男性，阴柔而克制，语速极慢）轻笑一声：“都不是。我只是想看看，传说中的‘断水’，名不名副其实。”剑客眼神一凛：“那就让你死个明白。”话音未落，只听“锵”的一声拔剑出鞘，紧接着是雨夜里两道身影交错而过的破空声，最后一片枯叶缓缓落地。
- 导演模式
- 剧本进，成片出：多角色对白、配乐、音效与混音一次生成。
- 压缩生产链路
- 把配音、配乐、音效、混音的多环节协作，收拢为一次推理。
元语 T1.0
端到端的“文本 + 语音 + 3D 动作”模型：说话的同时，同轨生成与语义贴合的身体动作，可以长时间连续运行。元语大模型已完成备案。
大家好，很高兴见到你们——今天想跟大家聊聊……
- 三模态同轨
- 文本、语音与动作捕捉模拟数据实时同步输出。
- 告别罐头动画
- 不再是“预设动画库 + LLM 切片”的循环与机械感。
VocaMark
VocaMark 为音频注入人耳无法察觉的水印，经翻录、剪辑后仍可溯源；VocaAntiFake 以数百万小时级伪造数据训练，泛化识别各类合成音频。
- VocaMark
- 无损、不可感知、高容量，读出用户 ID、任务 ID 与生成时间。
- VocaAntiFake
- 鉴伪专家大模型，通用检测各类音频合成技术。
两种方式开始使用
配音、声音设计、音乐、音效与视频翻译都在网页里完成，注册后即可开始。新一代模型正在陆续开放内测。