Otros

LongCat-AudioDiT-1B: modelo de texto a voz de difusión en el espacio latente de forma de onda de alta fidelidad

Título original:meituan-longcat/LongCat-AudioDiT-1B

Resumen de IA

El modelo TTS de difusión de código abierto del equipo LongCat de Meituan prescinde de la representación intermedia tradicional de mel-spectrogram y opera directamente en el espacio latente de la forma de onda, sintetizando voz únicamente mediante un Wav-VAE y una red troncal de difusión. El modelo corrige el desajuste entre entrenamiento e inferencia y sustituye la guía libre de clasificador por una guía de proyección adaptativa. La versión más grande, de 3,5B, logra un estado del arte en clonación de voz zero-shot en el benchmark Seed, con una similitud de hablante (SIM) de 0,818 en Seed-ZH y 0,797 en Seed-Hard, superando al anterior mejor modelo, Seed-TTS. La investigación también concluye que la fidelidad de reconstrucción del Wav-VAE no está directamente correlacionada con la calidad final de la síntesis.

Puntos clave

  • El modelo TTS de difusión de código abierto del equipo LongCat de Meituan prescinde de la…
  • El modelo corrige el desajuste entre entrenamiento e inferencia y sustituye la guía libre de…
  • La versión más grande,de 3,5B,logra un estado del arte en clonación de voz zero-shot en el…
  • La investigación también concluye que la fidelidad de reconstrucción del Wav-VAE no está…

Resumen rápido

Publicado
Actualizado
Fuente
美团 LongCat:HuggingFace 新模型
Categoría
Otros
Leer el original Leer el artículo completo en la fuente original
Por qué importa

美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用

Fuente y derechos

Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.

Artículo original · Ficha de AIHOT

Cómo citar

Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.

Orange News: LongCat-AudioDiT-1B: modelo de texto a voz de difusión en el espacio latente de forma de onda de alta fidelidad. 30. marzo 2026. https://new.nat6.net/es/news/cmocymrfh0057slqlbzifa44t/

Ver todo →