LongCat-AudioDiT-1B: Model teks-ke-ucapan resapan ruang terpendam bentuk gelombang berfideliti tinggi
Tajuk asal:meituan-longcat/LongCat-AudioDiT-1B
Ringkasan AI
Model TTS resapan sumber terbuka pasukan LongCat Meituan meninggalkan perwakilan perantaraan mel-spectrogram tradisional dan beroperasi secara langsung dalam ruang terpendam bentuk gelombang, mensintesis ucapan hanya melalui Wav-VAE dan rangkaian tulang belakang resapan. Model ini membaiki masalah ketidakpadanan latihan-penaakulan dan menggantikan bimbingan tanpa pengelas dengan bimbingan unjuran adaptif. Versi terbesar 3.5B mencapai SOTA klon suara sifar-sampel dalam penanda aras Seed, dengan persamaan penutur (SIM) mencapai 0.818 dalam Seed-ZH dan 0.797 dalam Seed-Hard, melebihi Seed-TTS yang terbaik sebelum ini. Kajian juga mendapati bahawa kesetiaan pembinaan semula Wav-VAE tidak berkorelasi positif dengan kualiti sintesis akhir.
Maklumat penting
- Model TTS resapan sumber terbuka pasukan LongCat Meituan meninggalkan perwakilan perantaraan…
- Model ini membaiki masalah ketidakpadanan latihan-penaakulan dan menggantikan bimbingan tanpa…
- Versi terbesar 3.
- 5B mencapai SOTA klon suara sifar-sampel dalam penanda aras Seed,dengan persamaan penutur (SIM)…
- 818 dalam Seed-ZH dan 0.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- 美团 LongCat:HuggingFace 新模型
- Kategori
- Lain-lain
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 tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: LongCat-AudioDiT-1B: Model teks-ke-ucapan resapan ruang terpendam bentuk gelombang berfideliti tinggi. 30 Mac 2026. https://new.nat6.net/ms/news/cmocymrfh0057slqlbzifa44t/