-
专题分享 | 截止 2026-Q1 业界主流 TTS 模型架构调研
本报告对当前主流 TTS 大模型的技术方案进行系统化分类、架构解析和横向对比，覆盖从离散 token 到连续表征、从自回归到非自回归的主要技术路线。 一、技术方案总览与分类框架1.1 分类维度TTS 大模型的核心技术差异体现在以下四个维度： # 维度 可选项 1 生成范式 自回归（AR）/ 非自回归（NAR）/ 混合（AR+NAR） 2 语音表征 离散... -
专题分享 | [slides] VTP：图像生成 Visual Tokenizer 可扩展预训练
-
语音合成 | OmniVoice：基于离散 Diffusion LLM 的 TTS
最近几年的 TTS 模型，多数还依赖类似 text→semantic & semantic→acoustic/mel 的级联方案，存在模块繁多、误差累积的问题。小米 Daniel Povey 团队最新提出的 OmniVoice，基于 扩散语言模型（Diffusion Language Model） 这类单阶段离散 NAR 架构，重新将离散 Diffusion 拉... -
专题分享 | [slides] LongCat-AudioDiT 基于 Wav-VAE 的高保真语音合成
-
语音合成 | Qwen3-TTS：当 TTS 重新回到 LLM+RVQ
TTS 范式变化与 LLM+RVQ 的回归 摘要：Qwen3‑TTS 用更强的低帧率多码本 Tokenizer + 纯自回归 Dual-AR LLM，把 TTS 从 “LLM+DiT 级联” 拉回 “大道至简” 的 LLM+RVQ 历史路线，实现 97ms 超低延迟、3 秒零样本克隆、10 语言跨语言合成与指令可控音色，与 MOSS-TTS/FishAudio S2 同期... -
语音合成 | MOSS-Audio-Tokenizer：大数据驱动的通用音频 Tokenizer
MOSS-Audio-Tokenizer 提出了 CAT（Causal Audio Tokenizer with Transformer），一款参数量达 1.6B 的 MOSS‑Audio‑Tokenizer。基于纯 Transformer 架构，在 300 万小时多类型音频数据上完成预训练，可对语音(Speech)、音效(Sound)、音乐(Music)实现高保真重建，... -
专题分享 | UltraTTSData：语音合成数据分层管理体系 (II)
参考清华大学与面壁智能提出的 UltraData（详见解读）——文本 LLM 数据分层管理体系，类比到 TTS 语音合成场景下，可以作为语音合成的「训练数据管理」指南。基于分层数据管理思想，构建 T0-T4 共五层级体系，主要出发点： 数据与模型协同进化 质量梯度分层 适配不同训练阶段 注重成本与收益平衡为区别于 UltraData（ 中采用的 L0-L4 层级体系，本... -
专题分享 | UltraData：大模型时代数据分层管理体系 (I)
论文信息：Data Science and Technology Towards AGI Part I: Tiered Data Management，清华大学 & 面壁智能 大模型时代，自从数据和模型参数的 Scaling Law 验证了有效性，关于数据始终有一个问题无法回避：训练数据，到底应该怎么管理？ 从 GPT-4 到 DeepSeek 到各类 LL... -
语音对话 | MiniCPM-o 4.5 全双工全模态大模型-深度思考（Part II）
MiniCPM-o 4.5 所面临的四大研发挑战，并非孤立的技术问题，而是端侧全双工全模态模型这一全新技术方向的底层共性难题—— 其本质是以下四类问题的集中体现： 「多模态融合的参数效率矛盾」 「全新技术范式的工程化空白」 「实时性与连贯性的技术权衡」 「端侧硬件的资源约束适配」 对应的解决思路，既贴合大模型研发的通用规律，又针对「全双工 + 全模态 + 端侧」的... -
语音对话 | MiniCPM-o 4.5 全双工全模态大模型-技术分享（Part I）
分享题目：面壁小钢炮：MiniCPM-o 4.5(9B) 首个全双工全模态大模型 + 边看边听主动说分享者：姚远博士（面壁智能多模态首席科学家、清华大学助理教授）官方信息：- github: https://github.com/OpenBMB/MiniCPM-o- 模型代码：https://huggingface.co/openbmb/MiniCPM-o-4_5/bl...
博学而笃志，切问而近思
Think Closely & Resolve Firmly