JoyAI-Voice 2.0 全连续自回归语音生成模型发布

JoyAI-Voice 2.0 提出端到端拟人语音生成模型，采用全连续双编码器架构，将原始语音编码为连续 latent 并分块，由语义-声学双编码器分解后融合，送入因果自回归 Transformer 进行规划，再由局部扩散 Transformer 渲染完整 latent，最终以 48 kHz 合成语音。该模型相关论文发布于 arXiv 的 Audio and Speech 栏目，属一手研究报道。目前公开信息仅涉及模型架构与合成流程，未披露发布时间、参数规模、数据集、评测指标或开源计划等细节，也无其他来源报道可供交叉验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。