#text-to-speech

Aura-2 (TTS) Now Speaks Dutch, French, German, Italian, and Japanese

Deepgram mở rộng API chuyển văn bản thành giọng nói (TTS) Aura-2, bổ sung thêm 5 ngôn ngữ: tiếng Hà Lan, Pháp, Đức, Ý và Nhật, nhằm cung cấp hạ tầng giọng nói tự nhiên, sẵn sàng cho doanh nghiệp trên toàn cầu.

Lập trình viên phát triển ứng dụng đa ngôn ngữ nên đọc bài này để tìm hiểu cách tích hợp Aura-2 của Deepgram vào dự án của mình để cung cấp giọng nói tự nhiên, đa ngôn ngữ và phù hợp với các yêu cầu doanh nghiệp trên thị trường toàn cầu.

How to Build a Highlight Read Aloud App with Aura-2 Text-to-Speech

Hướng dẫn này xây dựng ứng dụng đọc to văn bản đã chọn bằng cách kết hợp Deepgram’s Javascript SDK với Aura-2 Text-to-Speech API, cho phép đọc to bất kỳ đoạn văn bản nào được tô sáng trên trang.

Lập trình viên muốn tự động hóa việc đọc lại nội dung được nhấn mạnh trên trang web hoặc ứng dụng web sẽ tìm hiểu cách tích hợp Aura-2 của Deepgram để tạo ra giải pháp hiệu quả và linh hoạt.

How I Built a Blog-to-Podcast AI Agent

Đọc blog kỹ thuật là cách học hiệu quả nhưng bất tiện khi phải ngắt quãng. Bài viết chia sẻ cách xây dựng một AI agent tự động chuyển đổi nội dung blog thành podcast, giúp người dùng tiếp cận thông tin thuận tiện hơn.

Lập trình viên nên đọc bài này vì nó cho thấy cách tự động hóa và tích hợp công nghệ AI vào dự án blog-to-podcast, giúp tiết kiệm thời gian và nâng cao hiệu quả phát triển bằng cách kết hợp kiến thức kỹ thuật với giải pháp thực tế.

Vocalizer: Local Text-to-Speech for PHP

Vocalizer là một tiện ích mở rộng PHP tích hợp sẵn nhằm hỗ trợ tổng hợp giọng nói (TTS) cục bộ, sử dụng sherpa-onnx và audio.cpp để vận hành tám họ mô hình TTS, bao gồm cả tính năng sao chép giọng nói Chatterbox thông qua một API duy nhất.

Là lập trình viên phát triển ứng dụng web cần xử lý giọng nói tự động, Vocalizer giúp tối ưu hóa hiệu suất và bảo mật bằng cách chạy mô hình TTS trên máy chủ của bạn mà không cần phụ thuộc vào dịch vụ cloud.

Reimagining Loyalty: How Voice AI Concierge Can Redefine Hospitality Worldwide

A voice AI concierge and greatly improve customer experience, strengthen customer loyalty, and revolutionize hospitality. Here's how.

End-to-End Text-to-Speech: Cut Voice Latency by 50-70%

Learn how end-to-end text-to-speech architecture reduces voice latency from 450-750ms to 200-250ms. Covers streaming delivery, concurrency, cost optimization, and compliance.

5 More AI Voice Agent Use Cases for You and Your Business Right Now

Part 2 of the Voice Agents Use Cases series: Modern speech recognition, real-time reasoning, and natural speech synthesis now work together in one streaming loop, so voice agents can actually finish tasks, not just chat. Here are 5 more ways you can take advantage of this new technology.

Environment-Aware TTS Just Sounds Better: The Key to Natural-Sounding AI

If you hope to produce realistic-sounding voices—whether in customer service or a video game—your synthesized voices need to actually sound like they are in different places as the settings change. Here's how to accomplish that.

How TTS Works: Production Text-to-Speech Guide

Learn how TTS works in production environments, from latency budgets to deployment constraints. See how Deepgram Aura supports predictable performance, structured data accuracy, and reliable scaling.

Business Wire: Deepgram Receives 2025 Customer Experience Innovation Award From CUSTOMER Magazine

TMC—a global, integrated media company—has named Deepgram's Aura-2 text-to-speech (TTS) model a 2025 Customer Experience Innovation Award winner, presented by TMC’s CUSTOMER magazine.

9 Faster, Scalable Tortoise TTS Alternative Options

Explore faster, scalable Tortoise TTS alternative options that stay stable under load. See which engines handle real-time traffic, predictable latency, and production-scale concurrency.

Text-to-Speech Architecture: Production Trade-Offs & Best Practices

Explore how text-to-speech architecture impacts latency, concurrency and cost for enterprise-grade voice systems. Learn how to choose the right model and deployment pattern.

Batch Text-to-Speech: High-Volume Voice Generation Guide

Cut TTS costs 40-60% with proper batch architecture. Learn queue design, voice consistency patterns, and infrastructure decisions for 100K+ requests.

Common TTS Pronunciation Errors: 5 Categories from Real Tests

Identify five TTS pronunciation error categories from production voice agent testing. Learn testing methods and fixes using SSML, lexicons, and entity-aware processing.

What Is Text-to-Speech Software? Production Implementation Guide

Learn what text to speech software is and how production TTS requires load testing, cost modeling, and compliance planning for enterprise deployment.

Environment-Aware TTS Just Sounds Better: The Key to Natural-Sounding AI

Marketing Site

Naively Training a Wake Word Model from Scratch

How we used TTS-generated training data to build a custom wake word detector that doesn't trigger on every third word.

Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS

NVIDIA giới thiệu Magpie TTS trên Hugging Face, cung cấp mô hình TTS đa ngôn ngữ có trọng số mở, hỗ trợ triển khai kiểm soát độ trễ thấp cho các tác nhân voice.

Những lập trình viên phát triển ứng dụng AI giao tiếp âm thanh cần hiểu cách tối ưu hóa Magpie TTS của NVIDIA để giảm thời gian trễ (latency) và kiểm soát toàn bộ quá trình triển khai, đặc biệt khi xây dựng hệ thống hỗ trợ nhiều ngôn ngữ.

Show HN: Airy – Free, fast, and simple voice content creation

Airy Studio là công cụ chuyển đổi văn bản thành giọng nói miễn phí, nhanh chóng và đơn giản. Người dùng có thể lựa chọn giọng nói và xuất file âm thanh trực tiếp.

Lập trình viên nên tìm hiểu Airy để khám phá cách ứng dụng AI tích hợp vào công cụ tạo nội dung âm thanh, giúp tối ưu hóa việc tự động hóa sinh viên, bot hoặc hệ thống thông minh từ văn bản sang âm thanh một cách nhanh chóng và chi phí thấp.

Readleif

Readleif là ứng dụng iOS và macOS giúp lưu và nghe sau bài viết, không yêu cầu tài khoản, đăng ký hay máy chủ. Ứng dụng cung cấp thư viện bài viết để người dùng duyệt thay vì giao diện theo dòng thời gian.

Là người phát triển muốn tối ưu hóa công cụ cho riêng mình hoặc team, đọc bài này để khám phá cách xây dựng giải pháp độc đáo như Readleif—tránh phụ thuộc vào server, tài khoản hoặc phí đăng ký—và áp dụng những nguyên tắc thiết kế đơn giản, hiệu quả trong các dự án tương tự.

Show HN: Vocab Top – AI-powered vocabulary builder that helps you retain words

Vocab Top là công cụ xây dựng từ vựng bằng AI, hỗ trợ ghi nhớ từ lâu dài thông qua dịch ngữ cảnh, hình ảnh gợi nhớ do AI tạo, dạng từ (chia động từ, số nhiều), phiên âm IPA và thư viện từ cá nhân.

Là người viết code, bạn nên đọc bài này để khám phá cách AI có thể tự động hóa và tối ưu hóa quá trình học từ vựng, giúp bạn tiết kiệm thời gian và nâng cao hiệu quả trong việc xây dựng kiến thức ngôn ngữ cho cả dự án quốc tế lẫn cá nhân.

Fish Audio raises $52m to give voice AI away & charge enterprises

Fish Audio raised $52m for voice AI it gives away for free, charging enterprises for speed & uptime. Its 2M-voice library is the moat & the risk.

Announcing tale.fyi: read (or listen) to an entire book from a single link.

Announcing tale.fyi: read (or listen) to an entire book from a single link. by samuel cole, as one long readable page.

Fish Audio raises $50M seed to build AI voice models for creators and enterprises

Since launching last year, the startup today has more than 8 million people using the open-source or hosted version of its models, and now generates annual recurring revenue of $21 million.

Inflect-Micro-v2: complete voice in 9.36M parameters

Inflect-Micro-v2 là mô hình ngôn ngữ thế hệ giọng nói mới với chỉ 9,36 triệu tham số, hướng tới mục tiêu phổ cập AI thông qua mã nguồn mở.

Lập trình viên AI nên đọc bài này để khám phá cách mô hình ngôn ngữ lớn như Inflect-Micro-v2 có thể tích hợp vào dự án của mình với chi phí thấp và hiệu quả cao, giúp tối ưu hóa khả năng xử lý giọng nói tự động trong ứng dụng mà không cần phụ thuộc vào các giải pháp đóng gói.

Heard: Give Claude Code and Codex a voice

Heard là một lớp voice (lớp giọng nói) dành cho macOS, tích hợp với Claude Code, Codex và Cursor, biến đầu ra của chúng thành các bản tóm tắt thông minh dưới dạng âm thanh. Nó cung cấp bình luận đầy đủ khi bạn không thể nhìn màn hình hoặc im lặng cho đến khi xảy ra lỗi hay cần quyết định, đồng thời tóm tắt cấp dự án khi chạy nhiều agent song song. Dự án mã nguồn mở, miễn phí cho mục đích cá nhân.

Lập trình viên nên đọc bài này để khám phá cách Heard giúp giảm bớt mệt mỏi từ nhiều cửa sổ terminal cùng lúc và chuyển đổi thành công các kết quả từ các AI như Claude Code hay Codex thành tóm tắt âm thanh trực tiếp, giúp bạn theo dõi tiến trình dự án một cách hiệu quả hơn khi không phải nhìn màn hình.

The Eleven Languages My App Can Describe But Not Pronounce

The Eleven Languages My App Can Describe But Not Pronounce Most language apps offer thirty to forty courses, and mostly the same thirty to forty, because a hand-built course needs curriculum …

How I Made My Own Offline Voice Assistant

How I Made My Own Offline Voice Assistant Humans love to talk. We talk to our friends, family and coworkers every day. Sometimes we even talk to AI assistants — maybe to get a quick fact, or when …

moonshine/micro at main · moonshine-ai/moonshine

Thư viện moonshine/micro cung cấp khả năng chuyển đổi giọng nói thành văn bản (speech-to-text), nhận diện ý định (intent recognition) và chuyển đổi văn bản thành giọng nói (text-to-speech) với độ trễ cực thấp, phục vụ xây dựng các tác nhân thoại (voice agents) và giao diện thoại.

Lập trình viên phát triển ứng dụng giao diện âm thanh hoặc hệ thống AI thông minh nên đọc để khám phá công nghệ xử lý âm thanh siêu nhanh gọn nhẹ, giúp tối ưu hóa hiệu suất cho các ứng dụng voice agent và giao diện tương tác bằng giọng nói.

Vāgdhenu — A Vṛtta-Aware Śloka-to-Chant TTS for Sanskrit

Vāgdhenu là hệ thống chuyển văn bản Sanskrit (śloka) sang giọng tụng (chant) bằng công nghệ text-to-speech (TTS) có nhận diện nhịp điệu (vṛtta-aware). Hệ thống do Giáo sư Prathosh A P thuộc Viện Khoa học Ấn Độ (IISc), Bengaluru phát triển.

Lập trình viên muốn phát triển hệ thống AI hỗ trợ âm nhạc hoặc ngôn ngữ cổ điển nên đọc bài này để khám phá cách tích hợp kiến thức về âm vị học và thơ ca vào hệ thống phát âm tự động, giúp cải thiện chất lượng giọng nói cho văn bản Sanskrit theo các quy tắc âm vị.

AMD Releases Lemonade 11.0 Local AI Server With Text-To-Speech, Other New Features

AMD has released Lemonade 11.0, a local AI server supporting AMD Ryzen CPUs, Radeon GPUs, and Ryzen AI NPU acceleration on both Windows and Linux. Key new features include text-to-speech (TTS) via an OpenMOSS backend with voice cloning and voice-design support, a new 3D generation modality using the Trellis.2 image-to-3D pipeline with an in-app model viewer, ModelScope as a second remote model registry alongside Hugging Face, and automatic installation of the FastFlowLM NPU backend on Linux. The project is fully open-source and available on GitHub.

Introducing Real World VoiceEQ: Measuring the human quality of voice AI

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

Rime picks up $24M Series A to help enterprises field customer calls

Rime is handling over 100 million calls each month across multiple companies

ElevenLabs' CEO on $600m revenue and the AI labs

ElevenLabs CEO Mati Staniszewski appeared at the RAISE Summit in Paris, discussing the company's rapid revenue growth from $100m ARR in 20 months to a reported $600m run rate, and its $22bn valuation. He outlined the company's lean engineering-first structure with no product managers, its voice AI moat strategy against OpenAI, Anthropic, and Google, and real-world use cases including payment reminders with Revolut and Klarna, licensed celebrity voices, and helping people who lost their voice to illness. Staniszewski also addressed voice cloning misuse, moderation efforts, and a $22m creator payout program for voice actors.

Cartesia vs ElevenLabs: Choosing a Voice API in 2026

A head-to-head comparison of Cartesia and ElevenLabs TTS APIs across quality, latency, pricing, and language coverage. Both flagship models (sonic-3.5 vs eleven_v3) deliver comparable audio quality, but Cartesia is 2-3x cheaper (~$1.70/hr vs ~$4.50/hr) and has lower latency suitable for real-time voice agents. ElevenLabs' flash_v2.5 speed model stumbles on numbers/currency, while Cartesia's sonic-turbo holds up. ElevenLabs wins on language breadth (70+ vs 42 languages), voice library size, and surrounding creative tools (video, music, dubbing). The recommendation: use Cartesia for production voice agents at scale; use ElevenLabs when you need broader language support or its creative tooling ecosystem.

Engineering TTS Inference in vLLM-Omni

Đội kỹ thuật vLLM-Omni tối ưu hóa suy luận TTS cho bốn mô hình bằng cách tách rời kích thước chunk streaming khỏi cửa sổ decode, biên dịch toàn bộ mô hình bằng torch.compile, di chuyển trạng thái decode multi-codebook lên GPU, và sử dụng các kernel Triton tùy chỉnh. Kết quả đạt được cải thiện throughput 61,5% cho Qwen3-TTS, 172% cho VoxCPM2 và tăng tốc 2,7 lần cho Higgs Audio V3. Bài viết cũng đề cập những thiết kế bị loại bỏ như PIECEWISE CUDA Graph do không hiệu quả bằng eager plus local MLP graph.

Lập trình viên muốn tối ưu hóa hệ thống xử lý âm thanh hoặc phát triển các ứng dụng AI âm thanh phải tham khảo để học cách tối ưu hóa hiệu suất inference bằng cách áp dụng kiến trúc và kỹ thuật cụ thể như torch.compile, GPU-resident tensors, và attention kernels hiệu quả.