MOSS-TTS：实现一小时声音克隆

MOSS-TTS是一款基于离散音频令牌、自回归建模以及大规模预训练构建的语音生成基座模型。该研究的核心在于 MOSS-Audio-Tokenizer，这是一种纯 Transformer 架构的音频分词器，能够将音频高效压缩，同时兼顾高保真重建与语义对齐。为了平衡生成质量与推理效率，研究者发布了结构简洁、易于扩展的 MOSS-TTS 以及更强调实时性与音色还原的 MOSS-TTS-Local-Transformer。该系统通过数百万小时的海量数据流水线进行训练，不仅支持零样本声音克隆，还能实现对语速、发音及跨语言流利度的精细控制。最终，这份报告通过严谨的实验对比，展示了该模型在长文本合成和多样化语音任务中的卓越性能。