LongCat-AudioDiT-1B: Mô hình chuyển văn bản thành giọng nói khuếch tán không gian tiềm ẩn dạng sóng độ trung thực cao
Tiêu đề gốc:meituan-longcat/LongCat-AudioDiT-1B
Tóm tắt AI
Mô hình TTS khuếch tán mã nguồn mở của nhóm LongCat (Meituan) loại bỏ biểu diễn trung gian mel-spectrogram truyền thống, vận hành trực tiếp trong không gian tiềm ẩn dạng sóng, chỉ qua Wav-VAE và mạng xương sống khuếch tán là có thể tổng hợp giọng nói. Mô hình khắc phục vấn đề không khớp giữa huấn luyện và suy luận, thay thế hướng dẫn không phân loại bằng hướng dẫn chiếu thích ứng. Phiên bản lớn nhất 3.5B đạt SOTA nhân bản giọng nói zero-shot trên Seed benchmark, độ tương đồng người nói (SIM) đạt 0,818 trên Seed-ZH và 0,797 trên Seed-Hard, vượt qua Seed-TTS tốt nhất trước đó. Nghiên cứu cũng phát hiện độ trung thực tái tạo của Wav-VAE không tương quan thuận với chất lượng tổng hợp cuối cùng.
Thông tin chính
- Mô hình TTS khuếch tán mã nguồn mở của nhóm LongCat (Meituan) loại bỏ biểu diễn trung gian…
- Mô hình khắc phục vấn đề không khớp giữa huấn luyện và suy luận,thay thế hướng dẫn không phân loại…
- Phiên bản lớn nhất 3.
- 5B đạt SOTA nhân bản giọng nói zero-shot trên Seed benchmark,độ tương đồng người nói (SIM) đạt…
- Nghiên cứu cũng phát hiện độ trung thực tái tạo của Wav-VAE không tương quan thuận với chất lượng…
Tóm tắt nhanh
- Đăng lúc
- Cập nhật lúc
- Danh mục
- Khác
美团开源 1B 语音克隆模型,Seed 基准超 Seed-TTS,零样本推理可用
Nguồn và bản quyền
Bài viết này được tổng hợp dựa trên các tiêu đề chọn lọc và tóm tắt AI từ API công khai của AIHOT, đã ghi rõ nguồn và liên kết ngược; bản quyền nội dung gốc thuộc về cơ quan truyền thông và tác giả gốc, trang này không sao chép toàn văn.
Cách trích dẫn
Khi trích dẫn bài viết này, vui lòng giữ nguyên tiêu đề, ngày đăng và liên kết vĩnh viễn, đồng thời ghi rõ nguồn là Orange News.
Orange News: LongCat-AudioDiT-1B: Mô hình chuyển văn bản thành giọng nói khuếch tán không gian tiềm ẩn dạng sóng độ trung thực cao. 30 tháng 3 2026. https://new.nat6.net/vi/news/cmocymrfh0057slqlbzifa44t/