美团LongCat团队推出了名为LongCat-AudioDiT的语音合成模型，该模型在零样本音色克隆任务上取得了SOTA（State-of-the-Art，最先进）性能。与传统方法不同，该模型直接在波形潜空间中进行扩散生成，不再依赖梅尔频谱这一中间表示形式，从而有效避免了信息损失。此外，LongCat-AudioDiT创新性地提出了双重约束对齐（DCA）和自适应投影引导（APG）两项关键技术，成功解决了训练与推理过程中的不匹配问题，并缓解了过饱和现象。
美团LongCat团队推出了名为LongCat-AudioDiT的语音合成模型，该模型在零样本音色克隆任务上取得了SOTA（State-of-the-Art，最先进）性能。与传统方法不同，该模型直接在波形潜空间中进行扩散生成，不再依赖梅尔频谱这一中间表示形式，从而有效避免了信息损失。此外，LongCat-AudioDiT创新性地提出了双重约束对齐（DCA）和自适应投影引导（APG）两项关键技术，成功解决了训练与推理过程中的不匹配问题，并缓解了过饱和现象。