dots.tts Technical Report
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为连续自回归TTS技术报告，阐述AudioVAE、flow-matching全历史条件与无奖励自校正后训练及MeanFlow蒸馏，含Seed-TTS-Eval等评测与训练推理代码及权重发布。
关键要点
- dots.tts为2B参数、在连续潜空间建模的自回归文本转语音基础模型。
- 训练采用多目标AudioVAE、全历史条件flow-matching头与无奖励自校正后训练三项设计。
- 骨干在1.5M小时多语言语音语料上训练。
- AudioVAE将48 kHz单声道语音编码为128维、25 Hz潜流并由BigVGAN式解码器重建。
- 应用CFG-aware MeanFlow蒸馏后，output streaming与dual-streaming模式首包延迟分别为85 ms与54 ms。
- dots.tts (SOAR)在Seed-TTS-Eval三子集平均说话人相似度SIM为79.2。