本研究提出了一种新颖的对抗相对对比（ARC）后训练算法，旨在加速文本到音频系统的生成速度，使其在约75毫秒内生成12秒高质量立体声音频，成为行业最快的模型。

本文介绍了文本到音频生成技术的进展，包括基于潜在空间的AudioLDM系统、检索增强方法Re-AudioLDM和音频编辑方法PPAE。这些技术通过改进模型训练和音频生成，显著提升了生成质量和效率，尤其在复杂场景和罕见音频类别中表现突出。

VoiceLDM是一种基于潜在扩散模型的文本到音频模型，能够生成逼真的音频，并在语音智力测试集上表现出色。它还探索了文本到语音和零样本文本到音频的能力。