streaming-tts

X2Streaming-TTS 提出了一种因果令牌级文本转语音框架，用于真正的流式合成，使用因果承诺和语音状态继承来处理不确定的文本前缀，并在低延迟口语对话系统中保持声学连续性。

VoiceChat-TTS 是一种低延迟、连续的文本转语音模型，专为交互代理设计，支持实时流处理和中断处理，同时不损害语音质量。

Gepard是一款新的流式TTS模型，具备实时对话能力，首音延迟约50ms，支持语音克隆和高并行度，以Apache 2.0许可发布。

作者指出流式语音合成中文本归一化被严重低估，并分享了一份厂商基准：用 1000+ 句子、31 个类别（日期、网址、缩写等）测评主流实时 TTS 服务。