西工大团队提出FlashTTS，一种面向实时语音对话的低时延流式TTS框架。它通过滞后式多轨架构支持流式文本输入，利用Multi-Token Prediction加速语音token生成，并采用X-pred Mean Flow Distillation将声学解码压缩至2步。实验显示，FlashTTS将首包延迟降至325ms，同时保持较好的零样本音色克隆和多语言可懂度，为实时语音助手等应用提供高效基础。