LongCat-AudioDiT-1B: hochpräzises diffusionsbasiertes Text-to-Speech-Modell im Wellenform-Latentraum
Originaltitel:meituan-longcat/LongCat-AudioDiT-1B
KI-Zusammenfassung
Das vom Meituan-LongCat-Team als Open Source veröffentlichte Diffusions-TTS-Modell verzichtet auf die traditionelle Zwischendarstellung als Mel-Spektrogramm und arbeitet direkt im Wellenform-Latentraum; die Sprachsynthese erfolgt allein über ein Wav-VAE und ein Diffusions-Backbone. Das Modell behebt die Diskrepanz zwischen Training und Inferenz und ersetzt die Classifier-Free-Guidance durch adaptive Projektionsführung. Die größte Version mit 3,5B erreicht auf der Seed-Benchmark SOTA beim Zero-Shot-Voice-Cloning, mit einer Sprecherähnlichkeit (SIM) von 0,818 auf Seed-ZH und 0,797 auf Seed-Hard und übertrifft damit das bisher beste Seed-TTS. Die Studie zeigt zudem, dass die Rekonstruktionstreue des Wav-VAE nicht positiv mit der endgültigen Synthesequalität korreliert.
Kernpunkte
- Das vom Meituan-LongCat-Team als Open Source veröffentlichte Diffusions-TTS-Modell verzichtet auf…
- die Sprachsynthese erfolgt allein über ein Wav-VAE und ein Diffusions-Backbone.
- Das Modell behebt die Diskrepanz zwischen Training und Inferenz und ersetzt die…
- Die größte Version mit 3,5B erreicht auf der Seed-Benchmark SOTA beim Zero-Shot-Voice-Cloning,mit…
- Die Studie zeigt zudem,dass die Rekonstruktionstreue des Wav-VAE nicht positiv mit der endgültigen…
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Quelle
- 美团 LongCat:HuggingFace 新模型
- Kategorie
- Sonstiges
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: LongCat-AudioDiT-1B: hochpräzises diffusionsbasiertes Text-to-Speech-Modell im Wellenform-Latentraum. 30. März 2026. https://new.nat6.net/de/news/cmocymrfh0057slqlbzifa44t/