小心！和你热聊的可能不是美女，也不是抠脚大汉，而是AI！(1.5万字解读Seed-TTS技术)

小心！和你热聊的可能不是美女，也不是抠脚大汉，而是 AI！(1.5 万字解读 Seed-TTS 技术)

摘要

近期，字节跳动的豆包大模型团队发布了其语音合成大模型的成果。其合成的语音效果与真人无异，在说话人的相似度和自然度方面都有非常好的表现，可谓是遥遥领先，远超竞品模型。在笔者体验到的诸多语音合成产品和模型中，seed-tts的合成效果可以算是最为惊艳的。

其技术报告虽然有刷KPI的嫌疑，隐藏了好些技术细节，但到底也像OpenAI的Sora一样，透露了一些值得玩味和借鉴的技术经验。因此，笔者想要借此机会对Seed-TTS的技术报告做一个简单粗陋的技术解读，与大家分享自己的技术观点。