अन्य

LongCat-AudioDiT-1B: उच्च-निष्ठा तरंग-अवकाश विसरण आधारित टेक्स्ट-टू-स्पीच मॉडल

मूल शीर्षक:meituan-longcat/LongCat-AudioDiT-1B

AI सारांश

Meituan LongCat टीम का ओपन-सोर्स विसरण TTS मॉडल पारंपरिक mel-spectrogram मध्यवर्ती प्रतिनिधित्व को छोड़कर सीधे तरंग-अवकाश में काम करता है और केवल Wav-VAE तथा विसरण बैकबोन नेटवर्क के माध्यम से भाषण संश्लेषित करता है। इस मॉडल ने प्रशिक्षण-अनुमान असंगति को ठीक किया है और क्लासिफायर-मुक्त मार्गदर्शन के स्थान पर अनुकूली प्रक्षेपण मार्गदर्शन का उपयोग किया है। सबसे बड़ा संस्करण 3.5B Seed बेंचमार्क पर SOTA जीरो-शॉट वॉइस क्लोनिंग प्राप्त करता है, वक्ता समानता (SIM) Seed-ZH में 0.818 और Seed-Hard में 0.797 तक पहुँचती है, जो पूर्व में सर्वश्रेष्ठ Seed-TTS से आगे है। शोध में यह भी पाया गया कि Wav-VAE की पुनर्निर्माण निष्ठा और अंतिम संश्लेषण गुणवत्ता के बीच सकारात्मक संबंध नहीं है।

मुख्य जानकारी

  • Meituan LongCat टीम का ओपन-सोर्स विसरण TTS मॉडल पारंपरिक mel-spectrogram मध्यवर्ती प्रतिनिधित्व को…
  • 5B Seed बेंचमार्क पर SOTA जीरो-शॉट वॉइस क्लोनिंग प्राप्त करता है,वक्ता समानता (SIM) Seed-ZH में 0.
  • 818 और Seed-Hard में 0.
  • 797 तक पहुँचती है,जो पूर्व में सर्वश्रेष्ठ Seed-TTS से आगे है। शोध में यह भी पाया गया कि Wav-VAE…

एक नज़र में

प्रकाशन समय
अपडेट समय
स्रोत
美团 LongCat:HuggingFace 新模型
श्रेणी
अन्य
मूल पढ़ें मूल स्रोत पर पूरा लेख पढ़ें
सुझाव का कारण

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

स्रोत और कॉपीराइट

यह लेख AIHOT के सार्वजनिक API की चयनित सुर्खियों और AI सारांशों के आधार पर तैयार किया गया है, स्रोत का उल्लेख और लिंक दिया गया है; मूल पाठ का कॉपीराइट मूल मीडिया और लेखक के पास है, यह साइट पूरा पाठ मिरर नहीं करती।

मूल लिंक · AIHOT प्रविष्टि

उद्धरण कैसे दें

इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।

Orange News: LongCat-AudioDiT-1B: उच्च-निष्ठा तरंग-अवकाश विसरण आधारित टेक्स्ट-टू-स्पीच मॉडल। 30 मार्च 2026। https://new.nat6.net/hi/news/cmocymrfh0057slqlbzifa44t/

सभी देखें →