ByteDance 提出 WavTTS：直接建模原始波形，幾秒克隆聲音
ByteDance 提出零樣本語音合成模型 WavTTS。它基於 DiT 與流匹配，跳過傳統的潛空間壓縮，直接對原始音訊波形建模以避免資訊損失。最值得關注的是，它僅需幾秒樣本就能生成自然語音，大幅縮減了原始波形建模與主流模型之間的質量差距。
ByteDance 提出零樣本語音合成模型 WavTTS。它基於 DiT 與流匹配，跳過傳統的潛空間壓縮，直接對原始音訊波形建模以避免資訊損失。最值得關注的是，它僅需幾秒樣本就能生成自然語音，大幅縮減了原始波形建模與主流模型之間的質量差距。