小米放出两个语音生成框架，想让普通人也能当“声音导演”

小米AI语音新框架：人人都能当声音导演

小米大模型应用团队公开了 Any2Speech 和 Midasheng-audio-generate 两个框架。Any2Speech 一次推理能生成最长约 10 分钟的语音，Midasheng 则能根据一段文字描述直接合成包含人声、音乐和环境音的混合音频。技术方案里提到了 GST 标注、双路径规划加维度丢弃、Flow Matching 以及五字段结构化...

推荐理由：小米放出两套语音框架，核心看点是可控长音频和场景统一建模，一句提示词出混合音频、单次推理能跑10分钟，这两个点确实抓人。技术细节也给了，不是纯画饼。但我会先打个折：基准跑分没给，训练数据多大不知道，开不开源、能不能商用也没说，这些信息缺口让实际价值不好判断。整体有亮点但缺关键验证，放在 featured 低段比较合适。