研究
让机器更像人。
读得准已经不稀缺。我们的研究集中在让人工智能更像人的那一部分：发声、动作、表情、情绪、语气、停顿、气息，以及它们如何随着语境变化。模型架构、数据与训练范式都由团队从底层构建。
{{压低声音，像在说秘密}}48 kHz · 2.4 s
8k4k1k0
你听，楼下是不是有人？（停顿）
基频 F0 · 下沉气声比 · 升高语速 · 0.86×
2023.11
全球第一个商业化中文生成式语音大模型
1000万+
小时多语言音频数据
30+
语言与方言
9
个自研模型
研究原则
我们在意的，是听起来对不对。
1
表现力优先
基础的“读得准”已经不稀缺。我们把研发投入放在情感、语气、停顿与气息这些让声音像人的地方，并用人的听感而不只是 WER 这类客观指标来判断好坏。
2
在合适的规模上做到极致
音频的声学空间是有限的。比起一味扩大参数与数据，我们更看重数据与训练范式的选择，以及长期积累的审美判断。
3
为生产而设计的端到端
在垂直音频领域自研端到端模型（Omni、Dubbing），同时保留流式与可控性：首包可低至 150–200ms，也能被精细地导演与定制。
4
安全内建
生成能力越强，越需要可靠的标识与鉴别。水印与鉴伪从一开始就和生成模型一起设计。
技术架构
从数据到应用，每一层都自己构建。
自研基座与数据管线之上，是覆盖语音、音乐、音效、翻译、对话与 3D 交互的模型层；安全与调度把它们可靠地交付到平台与 API。
L1Infrastructure
基础设施层
- 自研基础模型基座
- 千万小时级全种类音频数据管线
L2Foundation Models
模型层
- Voice 4.0 / 3.5 语音克隆、设计与导演控制
- Agent A3.5 实时语音对话（<450ms 全双工）
- Music 1.1 音乐生成
- Sound 1.0 多模态音效
- Dubbing 1.0 音视频翻译
- Omni 1.0 全种类音频
- TalkiVerse T1.0 元语 3D 交互
L3Middleware & Security
安全与调度层
- VocaMark 隐形水印 · 无损溯源
- VocaAntiFake 鉴伪 · 合成检测
- 全球边缘推理 · 低延迟调度
- 多语言 SDK · REST / WS / gRPC
L4Applications
应用生态层
- Vocu 悟声平台
- Studio 多轨工作室
- Vocu Intelligence 创作 Agent
- 视频翻译
- 开放平台 API
生成式语音
全球第一个商业化的中文生成式语音大模型。
2023 年 6 月，我们公开了用语言模型方式生成语音的早期演示；同年 11 月发布 V0.9β，成为全球第一个投入商业化服务的中文生成式语音大模型，比某 A 厂与某 B 厂的同类成果早了约一年。此后，每个季度都有一次重要的模型迭代。
- 2023.06Vocarea公开自回归语音生成演示
- 2023.11Vocarea发布 V0.9β，开始商业化服务
- 2024.06某 A 厂发布同类生成式语音模型
- 2024.07某 B 厂发布同类生成式语音模型
- 领先同类成果约 1 年
- 2023.11V0.9β第一代生成式语音大模型以类 LLM 的自回归范式做中文语音生成。
- 2024.01V1.0上下文理解与瞬时克隆获奇绩创坛种子轮投资。
- 2024.06V2.0自然度大幅提升随后加入方言支持与 WebSocket 流式合成。
- 2025.03V2.9中文表现力达到业界顶尖情感与韵律的自然度显著提升。
- 2025.08V3.030+ 语言与方言多语种与方言的本土化表现全面铺开。
- 2025.12A3.5实时语音 Agent全双工对话，流式首包低于 450ms。
- 2026.03Voice 3.5声音设计、Remix 与 44.1kHz悟声语音合成大模型完成备案。
- 2026.04Music · Sound音乐与音效大模型Studio 与 Vocu Intelligence 同步进入内测。
- 2026.07Dubbing · Omni音视频翻译与全种类音频生成两个端到端模型完成训练，进入内测。
- 2026.08Voice 4.0克隆、设计与导演控制合一新一代语音模型进入内测。
数据
好的模型，从好的数据开始。
我们搭建了一条全自动的数据管线：由自研的数据模型在源头判断质量，过滤低质量样本，并结合上下文提升标注的准确性。训练数据来自合规渠道，并已通过大模型备案的语料安全评估。
采集
清洗
标注
训练
评估
部署
1000万+
小时多语言音频数据
30+
语言与方言
全流程
自动化采集、清洗与标注