Meituan（美团）

LongCat-AudioDiT: High-Fidelity Diffusion Text-to-Speech in the Waveform Latent Space

LongCat-AudioDiT：在波形潜在空间中实现高保真的扩散文本到语音

Detai Xin, Shujie Hu, Chengzuo Yang, Chen Huang, Guoqiao Yu, Guanglu Wan, Xunliang Cai

机构 * Meituan LongCat Team（美团LongCat团队） 纠错

AI总结 LongCat-AudioDiT通过在波形潜在空间中直接操作，实现了高保真的文本到语音生成，无需复杂多阶段训练流程或高质量标注数据，展现出卓越的零样本语音克隆性能。

Comments Code and model weights are available at https://github.com/meituan-longcat/LongCat-AudioDiT