让 AI 听懂一小时录音、模仿一段参考声音，再按文字要求修改语音，过去往往要换几套模型。FireRedTeam 同时亮相的 FireRedAudio 与 FireRedTTS3，押注把这些能力收进一条开放模型路线；其中已披露较多的 FireRedAudio，是一款兼顾音频理解与生成的音频语言模型。
它的关键做法像给“听”和“说”分配两本笔记：Audio Encoder 负责理解，RedAE-Patch 路径负责生成，两边采用解耦连续表征——把声音保存为连续数值，同时避免不同任务的信息全挤在一种表示里——再共享同一个90亿参数语言与推理骨干。项目介绍称，一套模型可覆盖 ASR（语音转文字）、音频问答、zero-shot TTS（凭陌生说话人的参考音频模仿其音色）、指令式语音合成和语音编辑，并能处理最长一小时的录音，按时间定位内容。
值得关注的不是功能清单本身，而是这种“分路表示、共享大脑”的统一思路。不过，现有供稿主要来自项目在 Hugging Face、GitHub 等页面的介绍及 Reddit 转述；FireRedTTS3 的具体方法和实验数字未披露，相关效果也仍是作者自述。