OuteTTS-0.1-350M:一種新穎的文本轉語音合成方法，具有零樣本語音克隆功能

近日，Oute AI 發佈了一種新穎的文本轉語音合成方法，稱爲 OuteTTS-0.1-350M。這種方法利用純語言建模，無需外部適配器或複雜架構，提供了一種簡化的 TTS 方法。OuteTTS-0.1-350M 基於 LLaMa 架構，使用 WavTokenizer 直接生成音頻標記，使得流程更加高效。該模型具有零樣本語音克隆功能，僅需幾秒鐘的參考音頻即可複製新的聲音。OuteTTS-0.1-350M 專爲設備性能而設計，並與 llama.cpp 兼容，使其成爲實時應用的理想選擇。儘管該模型的參數規模相對較小（3.5億個），但其性能可與更大、更復雜的 TTS 系統