LongCat-AudioDiT-1B: высококачественная диффузионная TTS-модель в латентном пространстве волновой формы
Оригинальный заголовок:meituan-longcat/LongCat-AudioDiT-1B
ИИ-резюме
Открытая TTS-модель команды LongCat от Meituan отказывается от традиционного промежуточного представления mel-spectrogram и работает напрямую в латентном пространстве волновой формы, синтезируя речь только с помощью Wav-VAE и диффузионного магистрального сети. Модель устраняет проблему несоответствия обучения и вывода и заменяет classifier-free guidance на адаптивное проекционное управление. Крупнейшая версия 3.5B достигает SOTA в zero-shot клонировании голоса на бенчмарке Seed: сходство говорящего (SIM) составляет 0.818 на Seed-ZH и 0.797 на Seed-Hard, превосходя предыдущую лучшую Seed-TTS. Исследование также показало, что точность реконструкции Wav-VAE не коррелирует напрямую с итоговым качеством синтеза.
Ключевые моменты
- Открытая TTS-модель команды LongCat от Meituan отказывается от традиционного промежуточного…
- Модель устраняет проблему несоответствия обучения и вывода и заменяет classifier-free guidance на…
- Крупнейшая версия 3.
- 5B достигает SOTA в zero-shot клонировании голоса на бенчмарке Seed: сходство говорящего (SIM)…
- 818 на Seed-ZH и 0.
Кратко
- Опубликовано
- Обновлено
- Источник
- 美团 LongCat:HuggingFace 新模型
- Категория
- Другое
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
Источник и авторские права
Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.
Как цитировать
При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.
Orange News: LongCat-AudioDiT-1B: высококачественная диффузионная TTS-модель в латентном пространстве волновой формы. 30 марта 2026. https://new.nat6.net/ru/news/cmocymrfh0057slqlbzifa44t/