LongCat-AudioDiT-1B: โมเดลแปลงข้อความเป็นเสียงแบบแพร่กระจายในพื้นที่แฝงของรูปคลื่นความละเอียดสูง
หัวข้อต้นฉบับ:meituan-longcat/LongCat-AudioDiT-1B
สรุปโดย AI
โมเดล TTS แบบแพร่กระจายที่โอเพนซอร์สโดยทีม LongCat ของ Meituan ละทิ้งการแสดงตัวกลางแบบ mel-spectrogram แบบดั้งเดิม และทำงานโดยตรงในพื้นที่แฝงของรูปคลื่น สามารถสังเคราะห์เสียงได้ด้วย Wav-VAE และเครือข่ายแกนหลักแบบแพร่กระจายเท่านั้น โมเดลนี้แก้ปัญหาความไม่สอดคล้องระหว่างการฝึกอบรมและการอนุมาน และใช้การนำทางแบบฉายภาพปรับตัวแทนการนำทางแบบไม่มีตัวจำแนก เวอร์ชันใหญ่สุด 3.5B บรรลุ SOTA ในการโคลนเสียงแบบ zero-shot บน基準 Seed โดยความคล้ายคลึงของผู้พูด (SIM) อยู่ที่ 0.818 บน Seed-ZH และ 0.797 บน Seed-Hard เหนือกว่า Seed-TTS ที่ดีที่สุดก่อนหน้านี้ งานวิจัยยังพบว่าความเที่ยงตรงในการสร้างใหม่ของ Wav-VAE ไม่ได้สัมพันธ์เชิงบวกกับคุณภาพการสังเคราะห์สุดท้าย
ข้อมูลสำคัญ
- โมเดล TTS แบบแพร่กระจายที่โอเพนซอร์สโดยทีม LongCat ของ Meituan ละทิ้งการแสดงตัวกลางแบบ…
- 5B บรรลุ SOTA ในการโคลนเสียงแบบ zero-shot บน基準 Seed โดยความคล้ายคลึงของผู้พูด (SIM) อยู่ที่ 0.
- 818 บน Seed-ZH และ 0.
- 797 บน Seed-Hard เหนือกว่า Seed-TTS ที่ดีที่สุดก่อนหน้านี้…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 美团 LongCat:HuggingFace 新模型
- หมวดหมู่
- อื่น ๆ
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: LongCat-AudioDiT-1B: โมเดลแปลงข้อความเป็นเสียงแบบแพร่กระจายในพื้นที่แฝงของรูปคลื่นความละเอียดสูง 30 มีนาคม 2026 https://new.nat6.net/th/news/cmocymrfh0057slqlbzifa44t/