Orpheus TTS 告别机械感，实时对话像朋友一样自然；OpenCodeReasoning 海量数据开源，解锁编程推理新高度

文本转语音模型近几年取得了显著进展，但现有模型在实际应用中仍有很多局限。大多数模型只能生成单一音色的语音，无法生成富有情感的语音。为了应对这一挑战，Canopy Labs 开源了文本转语音模型 Orpheus-TTS 。

Orpheus-TTS 能够生成自然、富有情感且接近人类水平的语音，具备零样本语音克隆能力，无需预训练即可模仿特定语音。用户可通过标签控制语音的情感表达，增强语音真实感。该模型延迟低至约 200 毫秒，帮助用户进行实时应用。

目前，HyperAI 超神经已上线了「Orpheus TTS：多语言文本转语音模型」，快来试试吧~

在线使用：https://go.hyper.ai/FGexv

5 月 26 日-5 月 29 日，hyper.ai 官网更新速览：

* 优质公共数据集：10 个

* 优质教程精选：12 个

* 社区文章精选：3 篇

* 热门百科词条：5 条

* 6 月截稿顶会：3 个

访问官网：hyper.ai

公共数据集精选

1. EMMA 多模态推理基准数据集

该数据集聚焦于有机化学（42%）、数学（32%）、物理（6%）和编程（20%）领域的多模态推理任务，包含 2,788 个问题，其中 1,796 个为新构建样本，支持细粒度任务划分，旨在推动图像与文本的联合理解能力。数据任务类型涵盖化学反应模拟、数学图形推理、物理路径追踪、编程可视化等。

直接使用：https://go.hyper.ai/HtL1N

数据集中不同学科及其细分任务占比

2. Facial Expressions 面部表情 YOLO 格式检测数据集

该数据集是用于情绪识别的 YOLO 格式数据集，专为目标检测与分类模型的训练与评估而设计。数据集共包含约 70,000 张图像，覆盖 9 种面部表情类别，兼顾基础情绪与复杂情绪类型，适用于计算机视觉中的情感识别、人机交互、心理健康分析、智能监控等应用场景。

直接使用：https://go.hyper.ai/K6iIH

数据集示例

3. GeneralThought-430K 大规模推理数据集

该数据集包含 43 万样本，覆盖数学、代码、物理、化学、自然科学、人文社科、工程技术等领域问题，包含来自多个推理模型的问题、参考答案、推理轨迹、最终答案及其他元数据。

直接使用：https://go.hyper.ai/xdSzd

4. S1k-1.1 数学推理数据集

该数据集是一个数学问题推理数据集，包含 1,000 条样本，以数学问题及推理轨迹为核心，涵盖代数、几何、概率等多个数学领域，每条样本包含问题描述、解题步骤、答案及由 DeepSeek r1 生成的推理轨迹。

直接使用：https://go.hyper.ai/MtvcV

5. HPA 人类蛋白质图谱数据集

该数据集由 Human Protein Atlas（HPA）数据库的数据组成，其中包含大量高分辨率的共聚焦显微图像，覆盖数千种人类蛋白在不同细胞器中的空间分布情况，是用于蛋白亚细胞定位研究的重要公共资源。进模型公平评估。

直接使用：https://go.hyper.ai/Dhuwt

6. ZeroSearch 问答数据集

该数据集包含约 17 万条样本，覆盖科学常识、历史事件、影视娱乐、地理人文等多个领域。同时涵盖事实性问题、定义类问题、是非题等问题，适合训练中小型问答模型。通过精心设计的问题-答案对，旨在评估模型的常识推理、事实记忆及逻辑推断能力，为自然语言处理领域提供了标准化的训练与测试资源。

直接使用：https://go.hyper.ai/OkvBx

7. SocialMaze 逻辑推理基准数据集

该数据集是一个社会推理基准数据集，聚焦于多智能体交互场景下的隐藏角色推理任务，旨在评估大型语言模型（LLMs）在复杂社交环境中的逻辑推理、欺骗识别和多轮对话理解能力，为研究 LLMs 的社会推理能力提供了标准化测试平台。

直接使用：https://go.hyper.ai/Cch64

8. OpenCodeReasoning 编程推理数据集

该数据集旨在为大语言模型（LLMs）提供高质量的编程推理训练数据，推动代码生成与逻辑推理能力的提升。数据集包含了 735,255 个样本，覆盖 28,319 道独特的编程题目，是当前最大的推理型编程数据集之一。

直接使用：https://go.hyper.ai/ofjBJ

9. MLDR 多语言文档检索数据集

该数据集涵盖 13 种不同的语言，是一个基于维基百科（Wikipedia）、悟道数据集（Wudao）和 mC4   多语言语料库，构建的多语言长文档检索数据集，旨在支持跨语言长文本检索任务的研究与开发。

直接使用：https://go.hyper.ai/Le0G8

10. MP-20-PXRD 原子材料基准数据集

该数据集从 Materials Project 数据库中采样的材料组成，其晶胞内原子数量最多为 20 个，包含 45,229 种材料，按照 90% 、 7.5% 、 2.5% 的比例用以训练、验证和测试。

直接使用：https://go.hyper.ai/bUKbv

公共教程精选

本周汇总了 4 类优质公共教程:

* 音频合成教程：5 个

* 图像生成教程：3 个

* 视频合成教程：2 个

* 数学推理教程：2 个

音频合成教程

1. Orpheus TTS：多语言文本转语音模型

Orpheus-TTS 能够生成自然、富有情感且接近人类水平的语音，具备零样本语音克隆能力，无需预训练即可模仿特定语音。用户可通过标签控制语音的情感表达，增强语音真实感。 Orpheus TTS 的延迟低至约 200 毫秒，适合实时应用。

本教程采用资源为单卡 RTX 4090，启动容器后点击 API 地址即可进入 Web 界面。

在线运行：https://go.hyper.ai/FGexv

Demo 示例

2. ACE-Step：音乐生成基础模型

ACE-Step-v1-3.5B 在 A100 GPU 上只需 20 秒即可合成长达 4 分钟的音乐，比基于 LLM 的基线快 15 倍，同时在旋律、和声和节奏指标方面实现了卓越的音乐连贯性和歌词对齐。此外，该模型保留了精细的声学细节，支持高级控制机制，例如语音克隆、歌词编辑、混音和音轨生成。

该教程算力资源采用单卡 RTX 4090，启动容器后点击 API 地址即可进入 Web 界面。

在线运行：https://go.hyper.ai/Qjxmu

Demo 示例

3. 一键部署 MegaTTS3

MegaTTS 3 是一种具有创新稀疏对齐的 TTS 系统引导潜在扩散转换器（DiT）的算法，实现了最先进的零样本 TTS 语音质量，并支持对口音强度的高度灵活控制。它主要用于将输入的文本转换为高质量、自然流畅的语音输出。

本教程采用资源为单卡 RTX 4090，使用下方链接即可一键部署。

在线运行：https://go.hyper.ai/rujKs

Demo 示例

4. Parakeet-tdt-0.6b-v2 语音识别

Parakeet-tdt-0.6b-v2 基于 FastConformer 编码器架构和 TDT 解码器，能够一次高效转录长达 24 分钟的英语音频片段。该模型专注于高精度、低延迟的英语语音转录任务，适用于实时英语语音转文本场景（如客服对话、会议记录、语音助手等）。

该教程算力资源采用单卡 RTX 4090，模型仅支持英语语音识别。

在线运行：https://go.hyper.ai/pWmfu

Demo 示例

5. Dia-1.6B：情感语音合成 Demo

Dia-1.6B 能够直接从文本脚本生成高度逼真的对话，并支持基于音频的情感和语调控制，还可以生成非语言交流的声音，如笑声、咳嗽声、清喉咙声等，使对话更加自然和生动。本项目也支持上传自己的音频样本，模型将根据样本生成相似的语音，实现零样本声纹克隆。

本教程采用资源为单卡 RTX 4090，目前仅支持英语生成。

在线运行：https://go.hyper.ai/5J3lp

Demo 示例

图像生成教程

1. KV-Edit 背景一致性图像编辑

KV-Edit  是一种无训练图像编辑方法，能够严格保持原始图像和编辑图像之间的背景一致性，并在各种编辑任务上取得了令人印象深刻的性能，包括物体添加、移除和替换。

本教程采用资源为单卡 RTX A6000，点击下方链接即可快速克隆模型。

在线运行：https://go.hyper.ai/wo2xJ

Demo 示例

2. Sana 高分辨率图像合成

Sana 是一个文本到图像的框架，可以有效地生成高达 4096 × 4096 分辨率的图像。 Sana 可以以非常快的速度合成高分辨率、高质量的图像，具有很强的文本-图像对齐能力。

本教程使用 Sana-1600M-1024px 模型进行演示，算力资源采用单卡 RTX 4090 。

在线运行：https://go.hyper.ai/tiP36

Demo 示例

3. In-Context Edit：指令驱动图像生成与编辑

In-Context Edit 是一款基于指令的图像编辑的高效框架。与以前的方法相比，ICEdit 只有 1% 的可训练参数（200 M）和 0.1% 的训练数据（50 k），表现出强大的泛化能力，能够处理各种编辑任务。与 Gemini  、 GPT4o 等商用模型相比，更加开源，成本更低，速度更快，性能强大。

本教程采用资源为单卡 RTX 4090，如需达到官方提到的 9 秒生成图片则需要更高配置的显卡，目前只支持英文的文本描述。

在线运行：https://go.hyper.ai/Ytv6C

Demo 示例

视频生成教程

1. TransPixeler：文本生成 RGBA  视频

TransPixeler 保留了原始 RGB 模型的优势，并在有限的训练数据下实现了 RGB 和 alpha 通道之间的强对齐，能够有效地生成多样且一致的 RGBA 视频，从而推动了视觉特效和交互内容创作的可能性。

本教程采用资源为单卡 RTX A6000，目前文字描述仅支持英语。

在线运行：https://go.hyper.ai/1OFP9

Demo 示例

2. FramePack 低显存视频生成 Demo

FramePack 通过创新的神经网络架构，有效解决了传统视频生成中显存占用高、漂移和遗忘等问题，并显著降低了硬件要求。

本教程算力资源采用 RTX 4090，启动容器后点击 API 地址即可进入 Web 界面。

在线运行：https://go.hyper.ai/rYELB

Demo 示例

数学推理教程

1. 使用 vLLM+Open WebUI 部署 OpenMath-Nemotron-1.5B

该模型是通过在 OpenMathReasoning 数据集上微调 Qwen/Qwen2.5-Math-1.5B 创建的。模型在流行的数学基准上获得了最先进的结果，现已获准用于商业用途。

该教程算力资源采用单卡 RTX 4090，仅支持计算数学问题，且回答的答案为英文。

在线运行：https://go.hyper.ai/rasEm

Demo 示例

2. 使用 vLLM+Open WebUI 部署 DeepSeek-Prover-V2-7B

DeepSeek-Prover-V2-7B 的最大特点是能够将非形式化的数学推理（即人类常用的推理方式）和严格的形式化证明无缝结合，让模型既能像人类一样灵活思考，又能像计算机一样严谨论证，实现了数学推理的一体化融合。

本教程采用资源为单卡 RTX A6000，该模型仅支持数学推理问题。

在线运行：https://go.hyper.ai/JYCI2

Demo 示例

社区文章精选

1. 登 Nature 子刊！华中科技大学提出融合策略 AI 模型，实现多中心、跨专科感染性休克死亡风险的精准预测

华中科技大学同济医学院附属同济医院、医药卫生管理学院研究团队开创性地提出了一个基于 TOPSIS 的分类融合（TCF）模型，用来预测 ICU 中感染性休克患者 28 天内的死亡风险。该模型整合了 7 种机器学习模型，在跨专业、多中心验证中具有较高的稳定性和准确性。

查看完整报道：https://go.hyper.ai/K42Fp

2. 牛津大学等深挖 746 万成年人健康数据开发早筛算法，基于血液指标实现 15 种癌症早期预测

伦敦玛丽女王大学与牛津大学研究团队合作，基于英格兰地区 746 万成年人的匿名电子健康记录，开发了 2 种新型癌症预测算法：基础算法整合传统临床因素与症状变量，进阶算法进一步纳入全血细胞计数、肝功能检测等血液指标。本文是对研究论文的详细解读与分享。

查看完整报道：https://go.hyper.ai/12a8Z

3. 入选 ICML 2025，清华/人大/字节提出首个跨分子种类统一生成框架 UniMoMo，实现多类型药物分子设计

清华大学刘洋老师组联合人大和字节团队，共同提出了一种跨分子种类统一生成框架 UniMoMo 。该框架基于分子片段对不同种类的分子进行统一表示，实现对同一靶点不同结合分子种类的设计。本文是该研究的详细解读和分享。

查看完整报道：https://go.hyper.ai/e96ci

热门百科词条精选

1.  门控循环单元

2.  倒数排序融合 

3.  三维高斯散射

4.  基于案例的推理

5.  双向长短期记忆

这里汇编了数百条 AI 相关词条，让你在这里读懂「人工智能」：https://go.hyper.ai/wiki

6 月截稿顶会

VLDB 2026 6 月 2 日 7:59:59

S&P 2026 6 月 6 日 7:59:59

ICDE 2026 6 月 19 日 7:59:59

一站式追踪人工智能学术顶会：https://go.hyper.ai/event

以上就是本周编辑精选的全部内容，如果你有想要收录 hyper.ai 官方网站的资源，也欢迎留言或投稿告诉我们哦！

下周再见！