标签
Edge0 发布了 Audio8-TTS-Realistic-0.6B，这是一款紧凑的 6 亿参数 DualAR 文本转语音模型，提升了语音真实感，支持零样本声音克隆和 23 种语言（比预览版多 12 种），并附带一个 44.1 kHz 神经音频编解码器和一个 SGLang 服务适配器。
本文研究了Mimi编解码器的语义标记，发现它们映射到如四音素和三音素这样的语音单元，并讨论了其对AI模型中语音标记化的影响。