美团新音频模型开源,音色克隆能力拉满
创始人
2026-04-02 20:07:36
0次

IT之家 4 月 2 日消息,美团昨天发布 LongCat-AudioDiT 音频生成模型,彻底抛弃梅尔谱等中间表示,直接在波形潜空间进行基于扩散模型的文本转语音(TTS),号称“突破零样本 TTS 音色克隆上限”。

据介绍,业界主流 TTS 引擎长期受困于“多阶段”的复杂流程:先预测中间声学特征(如梅尔频谱),再依赖一个独立的神经声码器将特征“翻译”成最终波形。这种流程本质上是在两个不同空间里“传话”,必然会累积误差,导致最终合成的声音丢失了高保真、个性化的细节。

而 LongCat-AudioDiT 的核心架构逻辑非常简单,只用一个波形变分自编码器(Wav-VAE)和一个扩散 Transformer(DiT),在波形隐空间里完成声音的压缩、建模与重建。拥有高效的下采样与多尺度建模、非参数捷径稳定训练以及对抗式多目标训练等多维度创新。

同时,该模型的骨干网络基于 Transformer,集成全局自适应层归一化(Global AdaLN)、QK-Norm + RoPE 稳定注意力训练等多项结构优化。还能够通过双重约束机制修复流匹配 TTS 的“训练-推理”不匹配问题。

性能方面,该模型的 3.5B 版本在 Seed-ZH 测试集的说话人相似度(SIM)指标提升至 0.818,Seed-Hard 测试集达到 0.797,超过了 Seed-TTS、CosyVoice3.5、MiniMax-Speech 等知名模型。

目前该模型已经开源,IT之家附 1B/3.5B 参数版本链接如下:

  • 论文:https://arxiv.org/abs/2603.29339v1
  • GitHub:https://github.com/meituan-longcat/LongCat-AudioDiT
  • HuggingFace:https://huggingface.co/meituan-longcat/LongCat-AudioDiT

相关内容

热门资讯

普及知识透视挂!月亮大厅透视挂... 普及知识透视挂!月亮大厅透视挂多功能AI软件,月亮大厅果然真的是有透视挂软件1、让任何用户在无需月亮...
每日必看推荐辅助!九哥大厅辅助... 每日必看推荐辅助!九哥大厅辅助多功能AI方法,九哥大厅好像有辅助方法1、每一步都需要思考,不同水平的...
玩家必看外挂!新乐酷副厅外挂多... 玩家必看外挂!新乐酷副厅外挂多功能AIapp,新乐酷副厅确实是真的有外挂app1、新乐酷副厅透视辅助...
分享个大家外挂!天游大厅外挂多... 分享个大家外挂!天游大厅外挂多功能AI技巧,天游大厅竟然真的有外挂技巧1、下载好天游大厅透视辅助下载...
必备科技辅助器!金鸡娱乐辅助器... 必备科技辅助器!金鸡娱乐辅助器多功能AI攻略,金鸡娱乐果然存在有辅助器攻略必备科技辅助器!金鸡娱乐辅...
今日头条透视挂!如意大厅透视挂... 今日头条透视挂!如意大厅透视挂多功能AI方法,如意大厅确实是有透视挂方法1、下载好如意大厅透视辅助下...
技巧知识分享辅助器!王者众娱辅... 技巧知识分享辅助器!王者众娱辅助器多功能AI插件,王者众娱好像是有辅助器插件该软件可以轻松地帮助玩家...
盘点一款开挂!同庆互娱开挂多功... 盘点一款开挂!同庆互娱开挂多功能AI方法,同庆互娱本来是有开挂方法1、同庆互娱有没有辅助教程、同庆互...
今日科普外挂!八戒大厅外挂多功... 今日科普外挂!八戒大厅外挂多功能AI插件,八戒大厅都是真的是有外挂插件进入游戏-大厅左侧-新手福利-...
让我来分享经验透视挂!娱乐麻将... 让我来分享经验透视挂!娱乐麻将透视挂多功能AI工具,娱乐麻将本来真的有透视挂工具娱乐麻将破解侠是真的...