跳到正文

MaskGCT

无需显式对齐的零样本 TTS

访问官网

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

更多 AI 音频工具 工具

查看全部 →

评测方法