LongCat-AudioDiT：通过直接波形生成革新文本转语音
分析
LongCat-AudioDiT 是一种开创性的文本转语音新方法，它利用直接在波形潜在空间中运行的扩散模型。这项创新技术简化了 TTS 流程，有望实现更高的保真度和改进的零样本语音克隆能力，推动了可能性的界限。
引用 / 来源
查看原文"实验结果表明，尽管没有复杂的 multistage 训练流程或高质量的人工注释数据集，LongCat-TTS 在 Seed 基准测试中实现了 SOTA 零样本语音克隆性能，同时保持了具有竞争力的可理解性。"