字节跳动的 Seed-TTS 是 TTS 从组件升级为真正基础模型的最强信号之一。本审评涵盖整个系列——一个大规模自回归堆栈，在客观和主观评估中都达到了与真实人类语音基本上无法区分的说话者相似性和自然性分数，加上一个完全基于扩散的非自回归兄弟系统，称为 Seed-TTS_DiT，它完全跳过预估计的音素持续时间，并通过端到端处理进行语音生成。微调将主观分数推得更高，对自然说话者的情感和其他表达属性具有强大的可控性。

除了头条质量数字外，有趣的部分是架构和方法论的：用于语音因式分解的自蒸馏方法，让您能够干净地分离属性，以及一个强化学习微调循环，将鲁棒性、说话者相似性和可控性推得比监督训练更远。DiT 变体还解锁了旧 NAR 系统无法实现的语音编辑。如果您正在评估现代语音基础模型的样子——用于语音克隆、表达合成、配音或上下文语音学习——五分钟的本审评就能快速引导您。