开源语音DeepSeek登顶HuggingFace，百万围观引爆多模态热潮

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

机器之心的发布

随着大模型技术的飞速迭代，语音交互正经历一场深刻变革。过去那种“语音转文本（ASR）——文本理解——文本转语音（TTS）”的串联式架构，正在逐步让位于端到端的实时语音生成技术。这一转变至关重要，它不仅决定了交互的延迟和流畅度，更直接关系到语音系统在真实生产场景中的可用性。

在传统的级联式架构中，语音识别、文本理解和语音合成等任务由不同模块分头负责，这种模式在早期应用中获得了一定成功。然而，随着人们对实时性和低延迟的要求不断提高，端到端语音交互系统逐渐成为主流。这种系统将各个任务深度集成，大幅减少了中间转换步骤，从而显著提升了响应速度，使交互变得更加即时和自然。

近期，FlashLabs 发布并开源了其实时语音模型 Chroma 1.0，该项目定位为全球首个开源的端到端语音到语音模型。

Chroma 1.0 一经发布，便在社交媒体上引发了广泛关注和热烈讨论，相关话题迅速升温。其 X 平台官方帖子的浏览量已轻松突破百万。

多位知名的 X 平台博主对 Chroma 1.0 给出了高度评价。

此外，在 HuggingFace 的多模态榜单中，Chroma（4B 版本）同样表现出色，位列榜首。

该模型的研发负责人是 FlashLabs 创始人石一（Yi Shi）：

从公开信息和技术实现来看，Chroma 并非对现有语音模型的简单改进，而是一次围绕“实时性”目标展开的系统级重构。