ByteDance 提出 WavTTS：直接建模原始波形，几秒克隆声音
ByteDance 提出零样本语音合成模型 WavTTS。它基于 DiT 与流匹配，跳过传统的潜空间压缩，直接对原始音频波形建模以避免信息损失。最值得关注的是，它仅需几秒样本就能生成自然语音，大幅缩减了原始波形建模与主流模型之间的质量差距。
ByteDance 提出零样本语音合成模型 WavTTS。它基于 DiT 与流匹配，跳过传统的潜空间压缩，直接对原始音频波形建模以避免信息损失。最值得关注的是，它仅需几秒样本就能生成自然语音，大幅缩减了原始波形建模与主流模型之间的质量差距。