概述
- 长对话语音生成：目前支持 3 分钟的对话，包含 4 个发言者，通过扩展训练语料库，可以轻松扩展到更长的对话，包含更多的发言者。- 多语言支持：支持多种语言，包括英语、中文、日语、韩语、法语、德语和俄语。支持零样本语音克隆，适用于跨语言和代码切换场景。- 超低延迟：基于新的 12.5Hz 流式 语音分词器，我们采用了双 Transformer 架构，该架构基于文本-语音交织序列进行操作，可实现灵活的句子级生成，并降低首包延迟。具体而言，在 L20 GPU 上，我们的首包延迟低至 140ms，同时保持高质量的音频输出。- 强大的稳定性：我们的模型在单独演讲和对话测试中都实现了高相似性和低 WER/CER。- 随机音色生成：适用于创建 ASR/语音交互数据。
演示示例
随机音色生成和多语言支持
零样本播客生成
针对不同扬声器的精细调整 podcast 生成
⚠️ 讲解员的声音来自 Podcast "肥话连篇"的主持人 "肥杰" 和 "惠子"。未经授权禁止使用。
⚠️ 声音来源：播客《肥话连篇》主播“肥杰”和“惠子”，未经授权不得使用。
如需更多示例,请参阅 示例页面。
新闻
- [2025/10/26]**我们发布了全面的微调代码和教程(基于 LJSpeech 数据集)。**您可以轻松地将此基础用于微调多语言甚至对话式数据集的模型。使用对话式数据,您可以获得与我们的演示展示相媲美的 podcast 生成结果。