量子位
·
AI说书媲美真人！豆包语音大模型升级长上下文理解
💡
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
豆包语音模型升级后，在小说演播中表现优异，CMOS评分超过90%。新技术实现端到端合成，无需标签，提升音质和情感表达，适用于多种有声书，未来将继续探索更优质的听书体验。
🎯
关键要点
- 豆包语音模型在小说演播中表现优异，CMOS评分超过90%。
- 传统语音模型需要标签，而豆包语音模型实现端到端合成，无需额外标签。
- 改进的Seed-TTS技术提升了语音表现力和长文本理解。
- 豆包技术团队对Seed-TTS进行了数据、特征和结构上的改进。
- 优化后的模型在小说演播场景中表现出色，达到一流主播的效果。
- 豆包语音大模型已在番茄小说上线，涵盖多种热门书目类型。
- 未来将继续探索科技与业务场景的结合，提升听书体验。
❓
延伸问答
豆包语音模型的CMOS评分是多少？
豆包语音模型在小说演播中的CMOS评分超过90%。
豆包语音模型与传统语音模型有什么区别？
豆包语音模型实现端到端合成，无需额外标签，而传统模型需要提前标注对话、情感和角色。
豆包语音模型如何提升长文本的理解能力？
通过对数据进行章节级别处理，融合音素、音调、韵律信息，并加入上下文信息，提升语音一致性和语义理解。
豆包语音模型适用于哪些类型的有声书？
豆包语音模型已上线番茄小说，涵盖历史、悬疑、灵异、都市、脑洞、科幻等热门书目类型。
豆包语音模型的技术基础是什么？
豆包语音模型基于改进的Seed-TTS技术，包含Speech Tokenizer、Autoregressive Transformer、Diffusion Model和Acoustic Vocoder等模块。
豆包语音模型未来的发展方向是什么？
未来豆包语音模型将继续探索科技与业务场景的结合，追求更极致的听书体验。
➡️
