LongCat-AudioDiT-1B:高忠実度波形潜在空間拡散型テキスト音声合成モデル
原題:meituan-longcat/LongCat-AudioDiT-1B
AI 要約
美団LongCatチームがオープンソース化した拡散型TTSモデルは、従来のmel-spectrogram中間表現を廃し、波形潜在空間で直接動作し、Wav-VAEと拡散バックボーンネットワークのみで音声を合成する。このモデルはトレーニングと推論の不一致問題を修正し、分類器なしガイダンスの代わりに適応投影ガイダンスを採用した。最大バージョンの3.5BはSeedベンチマークでSOTAのゼロショット音声クローンを実現し、話者類似度(SIM)はSeed-ZHで0.818、Seed-Hardで0.797に達し、従来最良のSeed-TTSを上回った。研究ではまた、Wav-VAEの再構成品質と最終的な合成品質が正の相関にないことも明らかになった。
要点
- 美団LongCatチームがオープンソース化した拡散型TTSモデルは、従来のmel-spectrogram中間表現を廃し、波形潜在空間で直接動作し、Wav-VAEと拡散バックボーンネットワークのみで音…
- このモデルはトレーニングと推論の不一致問題を修正し、分類器なしガイダンスの代わりに適応投影ガイダンスを採用した。
- 最大バージョンの3.
- 5BはSeedベンチマークでSOTAのゼロショット音声クローンを実現し、話者類似度(SIM)はSeed-ZHで0.
- 818、Seed-Hardで0.
概要
- 公開日時
- 更新日時
- カテゴリ
- その他
おすすめの理由
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:LongCat-AudioDiT-1B:高忠実度波形潜在空間拡散型テキスト音声合成モデル。2026年3月30日。https://new.nat6.net/ja/news/cmocymrfh0057slqlbzifa44t/