Seed-TTS 是由字節(jié)跳動(dòng)開發(fā)的一系列高質(zhì)量文本到語音（TTS）模型，旨在生成接近人類語音的高質(zhì)量語音。該模型在多個(gè)方面表現(xiàn)出色，包括自然度、可控性和多樣性。Seed-TTS 支持多種語音屬性的控制，如情感、語調(diào)、說話風(fēng)格等，適用于多種應(yīng)用場(chǎng)景，如有聲讀物、虛擬助手、視頻配音等。

• Seed-TTS官網(wǎng)入口網(wǎng)址：https://bytedancespeech.github.io/seedtts_tech_report/
• Seed-TTS項(xiàng)目地址：https://github.com/BytedanceSpeech/seed-tts-eval

Seed-TTS 采用大規(guī)模自回歸模型，能夠生成與人類語音幾乎無法區(qū)分的語音。該模型具備上下文學(xué)習(xí)能力，能夠根據(jù)文本內(nèi)容生成與上下文風(fēng)格和語義相匹配的語音，保持語音的連貫性和一致性。此外，Seed-TTS 還支持零樣本學(xué)習(xí)、情感控制、語音編輯等功能，適用于多種復(fù)雜任務(wù)，如語音轉(zhuǎn)換、說話風(fēng)格轉(zhuǎn)換等。

Seed-TTS 的技術(shù)架構(gòu)包括語音編碼器、文本編碼器、解碼器和聲碼器，能夠生成高保真、自然流暢的語音。該模型還支持非自回歸變體，進(jìn)一步提高了模型的性能和靈活性。Seed-TTS 的非自回歸變體（Seed-TTSDiT）采用擴(kuò)散模型架構(gòu)，無需預(yù)估音素持續(xù)時(shí)間，實(shí)現(xiàn)端到端語音生成，具有出色的性能和編輯能力。

Seed-TTS 在多個(gè)任務(wù)中表現(xiàn)出色，包括語音上下文學(xué)習(xí)、說話人微調(diào)、可控 TTS、語音轉(zhuǎn)換、音色生成和說話風(fēng)格轉(zhuǎn)換等。該模型在自然度、穩(wěn)定性和可控性方面均表現(xiàn)出色，能夠生成接近真實(shí)人類語音的語音。

Seed-TTS 是字節(jié)跳動(dòng)在語音合成領(lǐng)域的重要成果，為語音合成技術(shù)的發(fā)展提供了新的可能性。