声音模仿

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。

轻量可控AI音频生成模型，支持结合控制信号与文本提示生成声音 Sketch2Sound是一款可控AI音频生成模型，可基于可解释时间变化控制信号（响度、亮度、音高）搭配文本提示生成高质量音频。该模型可适配文本到音频潜在扩散变换器架构，仅需40k步微调，每个控制对应单个线性层，比ControlNet更轻量，可兼顾文本语义与控制精度，支持声音创作者灵活创作。