MaskGCT

创新零样本文本转语音模型，无需显式对齐与音素时长预测 MaskGCT是面向零样本场景的创新文本到语音转换模型，通过消除显式对齐信息与音素级持续时间预测需求，解决了传统自回归、非自回归TTS系统的固有问题。模型采用两阶段架构，先预测语音SSL模型提取的语义标记，再生成声学标记，遵循掩码预测范式，推理时并行生成标记，表现优于现有主流零样本TTS系统。