Vocal Generation

StepAudio 3 Gen 统一文本转语音、语音设计、音乐和音效

研究人员推出 StepAudio 3 Gen，这是一种用于通用音频生成的新型离散自回归模型。该模型在一个框架内统一了文本转语音、语音设计、音效和音乐生成等各种音频任务。与之前的基于扩散 Transformer 的模型不同，StepAudio 3 Gen 在残差向量量化 (RVQ) 标记上运行，使其能够联合量化语义和声学特征。该模型在文本转语音和语音设计方面展示了最先进的性能，同时在其他音频领域保持了强大的能力。