首頁美團開源語音模型樹立了語音克隆的新標竿
音訊生成領域正經歷一場根本性的轉變，從多階段級聯架構轉向端到端模型。 為克服傳統 TTS 系統所採用的「梅爾頻譜圖」中間表示形式所固有的資訊損失與誤差累積問題，美團 LongCat 團隊已正式發布並開源 LongCat-AudioDiT（提供 10 億與 35 億參數版本）。該模型透過直接波形潛空間建模，成功突破了零樣本語音克隆的既有性能極限。
核心架構：突破梅爾頻譜圖的局限
LongCat-AudioDiT 摒棄了傳統的「聲學特徵預測 + 神經語音編碼器」多階段流程，轉而建立一套基於 Wav-VAE（波形變分自編碼器）與 DiT（擴散變換器）的簡化極簡架構。
高效 Wav-VAE：採用全卷積設計，將 24kHz 波形壓縮 2000 倍至 11.7Hz 幀率。透過非參數捷徑分支與多目標對抗式訓練，確保重建波形在維持精確時頻結構的同時，呈現極佳的自然聆聽品質。
語義增強型 DiT：該模型創新性地將 UMT5 文字編碼器的原始詞嵌入向量與其頂層隱藏狀態進行融合。此舉彌補了高階語義表示中遺失的語音細節，顯著提升了生成的語音可懂度。
推論優化：精準修正語音漂移
為進一步提升生成品質，研究團隊實施了兩項關鍵技術改進：
雙重約束機制：此技術能識別並修正流匹配 TTS 中長期存在的「訓練與推論不匹配」問題。透過在推論階段強制重置提示區的潛在變量，徹底解決了發音者聲音漂移與不穩定的問題。
自適應投影引導（APG）：APG 取代了傳統的無分類器引導（CFG）。它能精準篩選引導訊號中的有益成分，同時抑制導致音質退化的成分，在避免引發頻譜「過飽和」的情況下，顯著提升語音自然度。
性能：SOTA 級別的克隆準確度
在 Seed 資料集的基準測試中，LongCat-AudioDiT 展現出領先的表現：
相似度 (SIM)：該 35 億參數模型在 Seed-ZH 測試集上獲得 0.818 的分數，並在具挑戰性的 Seed-Hard 句子集上取得 0.797，表現優於 Seed-TTS、CosyVoice3.5 及 MiniMax-Speech 等知名模型。
準確度：在關鍵指標上名列業界頂尖，包括英語 WER 為 1.50%，以及中文難句 CER 為 6.04%。
值得注意的是，LongCat-AudioDiT 僅透過對預處理後的 ASR 轉錄資料進行單階段訓練，便能取得優於多階段訓練模型的卓越成果。相關研究論文、原始碼及模型權重現已全面開源，並可於 GitHub 和 HuggingFace 取得。
專案連結：
GitHub：https://github.com/meituan-longcat/LongCat-AudioDiT
HuggingFace：https://huggingface.co/meituan-longcat/LongCat-AudioDiT
相關文章
Google 測試 Remy AI 代理，以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道，谷歌正在測試 Remy，這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務，從而簡化專業工作流程和日常事務。目前，Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”，將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實，谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用
Slackbot 成為 AI 智慧體
Slackbot，嵌入在Salesforce企業訊息平臺Slack中的自動化助手，正在演變為一個AI智慧體。Salesforce技術長Parker Harris設想它將達到與OpenAI的ChatGPT相媲美的病毒式傳播地位。這家雲軟體巨頭於週二推出了更新版的Slackbot。該新版AI驅動版本面向Business+和Enterprise+客戶，可直接在Slack內查詢資訊、起草電子郵件和安排會議。在獲得適當許可權的情況下，它還能與Microsoft Teams和Google Drive等企
相關專題推薦
寫作
最適合撰寫長篇 SEO 文章的 AI 大綱生成工具
2026 年最新最佳、評價最高的 AI 大綱生成器，專為長篇 SEO 文章打造，由 XIX.AI 精心精選。這些強大的工具能為快速創作高品質內容提供革命性的協助，大幅提升寫作效率。 透過免費版與付費版的比較、實際測試結果及詳細排名，協助您找出最符合需求且不容錯過的選項。立即探索，釋放您的 AI 優勢。
8 個工具
xix.ai
教育與學習
適用於作業與考試準備的人工智慧學習工具
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
音樂創作
面向詞曲創作者、旋律片段、主旋律及多語言草稿創作的AI人聲演示工具
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
商業
最適合小型企業的頂尖 AI 競爭情勢分析工具
2026 年最新、最佳且評價最高的中小企業 AI 競爭研究工具！XIX.AI 精心精選了一系列極具威力且能改變遊戲規則的工具，並透過嚴謹的實測與詳細排名，每週更新內容。您可在此找到詳盡的免費版與付費版比較，協助您找出必試的工具，以提升工作效率並獲得競爭優勢。 立即探索，找出最適合您的工具！
9 個工具
xix.ai
圖像編輯
用於電商服裝、皮膚清潔和色彩一致性的 Photoshop AI 修圖工具
2026 年最新最佳 Photoshop AI 修圖工具，適用於電商服裝、皮膚清潔和色彩一致性！這份頂級精選列表包含強大的變革性解決方案，可幫助您提升寫作效率、簡化內容創作並輕鬆實現完美的視覺效果。每個工具都經過實際測試，並透過每週更新的排名進行驗證，同時提供免費與付費版本的詳細對比。由 XIX.AI 支援，這是任何希望發揮 AI 優勢的人必試指南。立即探索！
10 個工具
xix.ai
迅速的
適用於 ChatGPT 工作流程的最佳 AI 提示詞庫
2026 年最新、最受好評的 AI 提示詞庫，可優化各類 ChatGPT 工作流程。XIX.AI 精心蒐羅了一套強大且具革命性的精選集合，並經過嚴格的實際測試，以確保其表現卓越。 您可查閱詳盡的免費版與付費版比較分析，以及專家評比，助您挑選必試工具，從而提升工作效率並釋放您的 AI 優勢。立即探索！
11 個工具
xix.ai
評論 (1)
0/500
![FredGreen]()
Honestly, the switch from multi-stage cascades to end-to-end models in audio generation sounds like a huge leap forward. But I'm wondering—how do they ensure the cloned voice doesn't pick up weird artifacts or biases from the training data? Also, open-sourcing it is cool, but I hope they've thought about potential misuse, like deepfake audio scams. 😅
音訊生成領域正經歷一場根本性的轉變，從多階段級聯架構轉向端到端模型。 為克服傳統 TTS 系統所採用的「梅爾頻譜圖」中間表示形式所固有的資訊損失與誤差累積問題，美團 LongCat 團隊已正式發布並開源 LongCat-AudioDiT（提供 10 億與 35 億參數版本）。該模型透過直接波形潛空間建模，成功突破了零樣本語音克隆的既有性能極限。
核心架構：突破梅爾頻譜圖的局限
LongCat-AudioDiT 摒棄了傳統的「聲學特徵預測 + 神經語音編碼器」多階段流程，轉而建立一套基於 Wav-VAE（波形變分自編碼器）與 DiT（擴散變換器）的簡化極簡架構。
高效 Wav-VAE：採用全卷積設計，將 24kHz 波形壓縮 2000 倍至 11.7Hz 幀率。透過非參數捷徑分支與多目標對抗式訓練，確保重建波形在維持精確時頻結構的同時，呈現極佳的自然聆聽品質。
語義增強型 DiT：該模型創新性地將 UMT5 文字編碼器的原始詞嵌入向量與其頂層隱藏狀態進行融合。此舉彌補了高階語義表示中遺失的語音細節，顯著提升了生成的語音可懂度。
推論優化：精準修正語音漂移
為進一步提升生成品質，研究團隊實施了兩項關鍵技術改進：
雙重約束機制：此技術能識別並修正流匹配 TTS 中長期存在的「訓練與推論不匹配」問題。透過在推論階段強制重置提示區的潛在變量，徹底解決了發音者聲音漂移與不穩定的問題。
自適應投影引導（APG）：APG 取代了傳統的無分類器引導（CFG）。它能精準篩選引導訊號中的有益成分，同時抑制導致音質退化的成分，在避免引發頻譜「過飽和」的情況下，顯著提升語音自然度。
性能：SOTA 級別的克隆準確度
在 Seed 資料集的基準測試中，LongCat-AudioDiT 展現出領先的表現：
相似度 (SIM)：該 35 億參數模型在 Seed-ZH 測試集上獲得 0.818 的分數，並在具挑戰性的 Seed-Hard 句子集上取得 0.797，表現優於 Seed-TTS、CosyVoice3.5 及 MiniMax-Speech 等知名模型。
準確度：在關鍵指標上名列業界頂尖，包括英語 WER 為 1.50%，以及中文難句 CER 為 6.04%。
值得注意的是，LongCat-AudioDiT 僅透過對預處理後的 ASR 轉錄資料進行單階段訓練，便能取得優於多階段訓練模型的卓越成果。相關研究論文、原始碼及模型權重現已全面開源，並可於 GitHub 和 HuggingFace 取得。
專案連結：
GitHub：https://github.com/meituan-longcat/LongCat-AudioDiT
HuggingFace：https://huggingface.co/meituan-longcat/LongCat-AudioDiT
Google 測試 Remy AI 代理，以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道，谷歌正在測試 Remy，這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務，從而簡化專業工作流程和日常事務。目前，Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”，將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實，谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用
Slackbot 成為 AI 智慧體
Slackbot，嵌入在Salesforce企業訊息平臺Slack中的自動化助手，正在演變為一個AI智慧體。Salesforce技術長Parker Harris設想它將達到與OpenAI的ChatGPT相媲美的病毒式傳播地位。這家雲軟體巨頭於週二推出了更新版的Slackbot。該新版AI驅動版本面向Business+和Enterprise+客戶，可直接在Slack內查詢資訊、起草電子郵件和安排會議。在獲得適當許可權的情況下，它還能與Microsoft Teams和Google Drive等企
2026 年最新最佳、評價最高的 AI 大綱生成器，專為長篇 SEO 文章打造，由 XIX.AI 精心精選。這些強大的工具能為快速創作高品質內容提供革命性的協助，大幅提升寫作效率。 透過免費版與付費版的比較、實際測試結果及詳細排名，協助您找出最符合需求且不容錯過的選項。立即探索，釋放您的 AI 優勢。
8 個工具
xix.ai
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
2026 年最新、最佳且評價最高的中小企業 AI 競爭研究工具！XIX.AI 精心精選了一系列極具威力且能改變遊戲規則的工具，並透過嚴謹的實測與詳細排名，每週更新內容。您可在此找到詳盡的免費版與付費版比較，協助您找出必試的工具，以提升工作效率並獲得競爭優勢。 立即探索，找出最適合您的工具！
9 個工具
xix.ai
2026 年最新最佳 Photoshop AI 修圖工具，適用於電商服裝、皮膚清潔和色彩一致性！這份頂級精選列表包含強大的變革性解決方案，可幫助您提升寫作效率、簡化內容創作並輕鬆實現完美的視覺效果。每個工具都經過實際測試，並透過每週更新的排名進行驗證，同時提供免費與付費版本的詳細對比。由 XIX.AI 支援，這是任何希望發揮 AI 優勢的人必試指南。立即探索！
10 個工具
xix.ai
2026 年最新、最受好評的 AI 提示詞庫，可優化各類 ChatGPT 工作流程。XIX.AI 精心蒐羅了一套強大且具革命性的精選集合，並經過嚴格的實際測試，以確保其表現卓越。 您可查閱詳盡的免費版與付費版比較分析，以及專家評比，助您挑選必試工具，從而提升工作效率並釋放您的 AI 優勢。立即探索！
11 個工具
xix.ai
Honestly, the switch from multi-stage cascades to end-to-end models in audio generation sounds like a huge leap forward. But I'm wondering—how do they ensure the cloned voice doesn't pick up weird artifacts or biases from the training data? Also, open-sourcing it is cool, but I hope they've thought about potential misuse, like deepfake audio scams. 😅
