Iba pa

LongCat-AudioDiT-1B: high-fidelity waveform latent space diffusion text-to-speech model

Orihinal na pamagat:meituan-longcat/LongCat-AudioDiT-1B

AI summary

Inabandona ng diffusion TTS model na open source ng Meituan LongCat team ang tradisyonal na mel-spectrogram intermediate representation at direktang nag-ooperate sa waveform latent space, at makakabuo ng speech gamit lamang ang Wav-VAE at diffusion backbone network. Inayos ng modelo ang training-inference mismatch problem at pinalitan ang classifier-free guidance ng adaptive projection guidance. Ang pinakamalaking bersyon na 3.5B ay nakamit ang SOTA zero-shot voice cloning sa Seed benchmark, na may speaker similarity (SIM) na 0.818 sa Seed-ZH at 0.797 sa Seed-Hard, na nalampasan ang dating pinakamahusay na Seed-TTS. Natuklasan din ng pag-aaral na ang reconstruction fidelity ng Wav-VAE at ang final synthesis quality ay hindi positibong magkaugnay.

Mahahalagang impormasyon

  • Inabandona ng diffusion TTS model na open source ng Meituan LongCat team ang tradisyonal na…
  • Inayos ng modelo ang training-inference mismatch problem at pinalitan ang classifier-free guidance…
  • Ang pinakamalaking bersyon na 3.
  • 5B ay nakamit ang SOTA zero-shot voice cloning sa Seed benchmark,na may speaker similarity (SIM)…
  • 818 sa Seed-ZH at 0.

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
美团 LongCat:HuggingFace 新模型
Kategorya
Iba pa
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

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

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: LongCat-AudioDiT-1B: high-fidelity waveform latent space diffusion text-to-speech model. 30 Marso 2026. https://new.nat6.net/fil/news/cmocymrfh0057slqlbzifa44t/

Tingnan lahat →