Play AI 日前开源推出了一款全新语音编辑模型——PlayDiffusion，这是一种基于扩散模型的创新性工具，专为语音局部修改而设计。不同于传统的文本转语音系统需对整段音频重生成，PlayDiffusion 支持直接对语音中的某一部分进行替换、删除或调整，而其他未修改部分将保持完全一致。这种方式不仅极大提高了效率，也让音频编辑进入“所听即所得”的新阶段。
用户只需提供目标文本（例如将音频中的“Neo”改为“Morpheus”），模型便可精准识别需替换位置，并智能调整节奏、语调以及说话人的音色，实现几乎无痕的自然融合。PlayDiffusion 能够有效避免人工修改后的割裂感，听感上几乎无法察觉任何拼接痕迹。
得益于扩散模型架构带来的整体优化能力，在语音片段被大范围 mask（遮盖）的极端场景中，它也可作为一款非自回归的高性能 TTS(文本转语音)模型使用。相较传统 TTS 系统，PlayDiffusion 的推理速度提升可达50倍，并具备更强的全局一致性，适合需要高效率、高质量语音合成的应用场景。
这项技术的推出对于播客制作、AI 配音、内容纠错、剧本对话二次加工等场景意义重大。PlayDiffusion 不只是一个音频编辑工具，更是语音生成领域向“精确、灵活、自然”转型的重要信号。在语音AI日益普及的当下，它或将成为下一个播客、视频内容创作的必备利器。
