LongCat-AudioDiT-1B : un modèle TTS à diffusion dans l'espace latent de la forme d'onde pour une synthèse vocale haute fidélité
Titre original:meituan-longcat/LongCat-AudioDiT-1B
Résumé IA
Le modèle TTS à diffusion open source de l'équipe LongCat de Meituan abandonne la représentation intermédiaire traditionnelle en mel-spectrogramme et opère directement dans l'espace latent de la forme d'onde, synthétisant la parole via un Wav-VAE et un réseau dorsal de diffusion. Le modèle corrige le décalage entre entraînement et inférence et remplace le guidage sans classifieur par un guidage par projection adaptative. La plus grande version, 3.5B, atteint l'état de l'art en clonage vocal zero-shot sur le benchmark Seed, avec une similarité de locuteur (SIM) de 0,818 sur Seed-ZH et de 0,797 sur Seed-Hard, dépassant le précédemment meilleur Seed-TTS. L'étude révèle aussi que la fidélité de reconstruction du Wav-VAE n'est pas corrélée positivement à la qualité finale de la synthèse.
Points clés
- Le modèle TTS à diffusion open source de l'équipe LongCat de Meituan abandonne la représentation…
- Le modèle corrige le décalage entre entraînement et inférence et remplace le guidage sans…
- La plus grande version,3.
- 5B,atteint l'état de l'art en clonage vocal zero-shot sur le benchmark Seed,avec une similarité de…
- L'étude révèle aussi que la fidélité de reconstruction du Wav-VAE n'est pas corrélée positivement…
En bref
- Publié
- Mis à jour
- Source
- 美团 LongCat:HuggingFace 新模型
- Catégorie
- Autres
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
Source et droits
Cet article s'appuie sur des titres sélectionnés et des résumés IA issus de l'API publique AIHOT, avec attribution et liens de retour. Les droits sur l'original restent ceux des médias et auteurs d'origine ; ce site ne reproduit pas les textes intégraux.
Comment citer
Pour citer cet article, conservez le titre, la date et le lien permanent, et indiquez Orange News comme source.
Orange News : LongCat-AudioDiT-1B : un modèle TTS à diffusion dans l'espace latent de la forme d'onde pour une synthèse vocale haute fidélité. 30. mars 2026. https://new.nat6.net/fr/news/cmocymrfh0057slqlbzifa44t/