其他

LongCat-AudioDiT-1B:高保真波形潜空间扩散式文本转语音模型

原文标题:meituan-longcat/LongCat-AudioDiT-1B

AI 摘要

美团 LongCat 团队开源的扩散式 TTS 模型摒弃传统的 mel-spectrogram 中间表示,直接在波形潜空间操作,仅通过 Wav-VAE 与扩散骨干网络即可合成语音。该模型修复了训练-推理不匹配问题,并以自适应投影引导替代无分类器引导。最大版本 3.5B 在 Seed 基准实现 SOTA 零样本语音克隆,说话人相似度(SIM)在 Seed-ZH 达 0.818、Seed-Hard 达 0.797,超越此前最优的 Seed-TTS。研究还发现 Wav-VAE 的重建保真度与最终合成质量并非正相关。

关键信息

  • 美团 LongCat 团队开源的扩散式 TTS 模型摒弃传统的 mel-spectrogram 中间表示,直接在波形潜空间操作,仅通过 Wav-VAE 与扩散骨干网络即可合成语音。
  • 该模型修复了训练-推理不匹配问题,并以自适应投影引导替代无分类器引导。
  • 5B 在 Seed 基准实现 SOTA 零样本语音克隆,说话人相似度(SIM)在 Seed-ZH 达 0.
  • 818、Seed-Hard 达 0.
  • 797,超越此前最优的 Seed-TTS。

速览

发布时间
更新时间
来源
美团 LongCat:HuggingFace 新模型
分类
其他
阅读原文 前往信息源阅读完整正文
推荐理由

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

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:LongCat-AudioDiT-1B:高保真波形潜空间扩散式文本转语音模型。2026年3月30日。https://new.nat6.net/news/cmocymrfh0057slqlbzifa44t/

查看全部 →
  • Google 发布 Java 智能体开发套件 (ADK) 1.0.0 版本

    Google 正式发布了 Java 版智能体开发套件 (ADK) 的 1.0.0 版本。该版本引入了多项关键功能:支持接入 Google Maps 数据、内置 URL 抓取工具,以及用于跨框架协作的标准化 Agent2Agent 协议。其…

    Google Developers Blog(RSS)其他AI 评分 81

  • This is a very good post:

    这是一篇很好的文章: [引用 @boazbaraktcs]:新博客文章:AI 安全现状,四张假图。https://t.co/Qv1BlwyfY5

    X:Sam Altman (@sama)其他

  • AI助力美国产水泥与混凝土

    Meta发布了名为贝叶斯优化的新AI模型,用于设计混凝土配比。该模型旨在帮助建筑行业生产更高质量、更可持续的混凝土混合物,并特别聚焦于美国本土生产的产品。此次发布与2026年美国混凝土学会春季大会同步进行,是Meta长期路线图的一部分,旨…

    Meta Engineering Blog(RSS)其他AI 评分 71