MaskGCT 是什么
MaskGCT 被介绍为基于掩码与预测学习范式的零样本文本到语音模型,采用两阶段结构。
你可以用它做什么
- 由文本预测语义标记
- 由语义标记预测声学标记
- 模仿提示语音的风格与情感
应用场景
- 研究人员生成角色语音样本
- 企业生成多语言客服语音回复
- 创作者制作有声书旁白
优点与缺点
✓ 我们认可的地方
- 韵律、风格与情感跟随提示语音
- 可控制生成音频的总时长
! 需要留意的地方
- 使用需调整情感、风格与节奏参数
- 资料报告了质量与相似性方面的实验结果
常见问题
有几个阶段?
资料说明采用两阶段模型。
需要额外训练吗?
资料说明零样本上下文学习无需额外训练。
最后评测: 2026-11-15