PChome 4月2消息，美团近期正式开源其自研音频生成模型LongCat-AudioDiT，该模型在说话人相似度指标上取得显著突破，最高达0.818，并已开放1B、3.5B两个版本的模型下载。
PChome 4月2消息，美团近期正式开源其自研音频生成模型LongCat-AudioDiT，该模型在说话人相似度指标上取得显著突破，最高达0.818，并已开放1B、3.5B两个版本的模型下载。
据PChome了解，模型在中文数据集Seed-ZH上将相似度从先前SOTA模型的0.809提升至0.818；在复杂数据集Seed-Hard上也从0.776提升至0.797，显著增强语音克隆的自然度和拟真性。同时，摒弃传统多阶段流程，直接在波形潜空间进行端到端文本转语音，减少误差累积并提升生成效率。
目前，模型已开源至ModelScope平台，开发者可直接调用或微调，适用于虚拟助手、有声内容创作、个性化语音服务等场景。
