LongCat-AudioDiT-1B: Model text-to-speech difusi ruang laten gelombang berfidelitas tinggi
Judul asli:meituan-longcat/LongCat-AudioDiT-1B
Ringkasan AI
Model TTS difusi sumber terbuka tim LongCat Meituan meninggalkan representasi perantara mel-spectrogram tradisional dan beroperasi langsung di ruang laten gelombang, hanya melalui Wav-VAE dan jaringan backbone difusi untuk menyintesis suara. Model ini memperbaiki masalah ketidakcocokan pelatihan-inferensi dan menggantikan classifier-free guidance dengan adaptive projection guidance. Versi terbesar 3.5B mencapai SOTA kloning suara zero-shot pada tolok ukur Seed, dengan kemiripan pembicara (SIM) mencapai 0,818 pada Seed-ZH dan 0,797 pada Seed-Hard, melampaui Seed-TTS yang sebelumnya terbaik. Penelitian juga menemukan bahwa fidelitas rekonstruksi Wav-VAE tidak berkorelasi positif dengan kualitas sintesis akhir.
Poin utama
- Model TTS difusi sumber terbuka tim LongCat Meituan meninggalkan representasi perantara…
- Model ini memperbaiki masalah ketidakcocokan pelatihan-inferensi dan menggantikan classifier-free…
- Versi terbesar 3.
- 5B mencapai SOTA kloning suara zero-shot pada tolok ukur Seed,dengan kemiripan pembicara (SIM)…
- Penelitian juga menemukan bahwa fidelitas rekonstruksi Wav-VAE tidak berkorelasi positif dengan…
Ringkasan cepat
- Waktu terbit
- Waktu diperbarui
- Sumber
- 美团 LongCat:HuggingFace 新模型
- Kategori
- Lainnya
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
Sumber dan hak cipta
Artikel ini disusun berdasarkan judul pilihan dan ringkasan AI dari API publik AIHOT, dengan sumber yang dicantumkan dan tautan balik; hak cipta konten asli milik media dan penulis aslinya, situs ini tidak menyalin artikel secara penuh.
Cara mengutip
Saat mengutip artikel ini, sertakan judul, tanggal, dan tautan permanen, serta cantumkan sumber Orange News.
Orange News: LongCat-AudioDiT-1B: Model text-to-speech difusi ruang laten gelombang berfidelitas tinggi. 30 Maret 2026. https://new.nat6.net/id/news/cmocymrfh0057slqlbzifa44t/