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
- 分类
- 其他
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。
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/