FireRedTeam 發布 9B 音訊模型 FireRedAudio 與 FireRedTTS3：支援一小時音訊理解與 24 國語言語音複製

據 Reddit 社群消息，FireRedTeam 於 Hugging Face 釋出多用途音訊語言模型 FireRedAudio 與語音生成編輯系統 FireRedTTS3。 FireRedAudio 基於 9B 參數的語言模型打造，採用解耦連續表徵（decoupled continuous representations）設計：由 Audio Encoder 負責理解，RedAE 負責生成，兩者共用相同的語言與推理骨幹。該模型支援自動語音辨識（ASR）、零樣本（zero-shot）與指令 TTS，並能處理長達一小時的錄音，提供精確的時間對齊與摘要檢索功能。 同步推出的 FireRedTTS3 分為 Base 與 Instruct 雙版本。Base 版支援 24 種語言與 21 種中文方言的零樣本語音複製，據稱在 MiniMax-MLS-Test 評測中取得平均 3.754% 的字錯率（WER/CER）與 84.8% 的說話者相似度；Instruct 版則支援透過自然語言描述設計聲音，並可進行語意（插入、刪除、替換）與聲學（語速、音高、音量）的自由格式語音編輯。