交
sjtuagent
课程
上海交大
EN
← 返回课程
TTS论文可视化 · 原理可视化
每篇论文一段动画，共 79 篇 —— 点击放大，逐步看懂整篇论文。
全部（79）
第1章（3）
第2章（8）
第3章（7）
第4章（5）
第5章（11）
第6章（7）
第7章（5）
第8章（9）
第9章（6）
第10章（4）
第11章（7）
第12章（7）
第1章
HiFi-GAN · 多周期判别声码器
点击放大 ⤢
第1章
BigVGAN · 周期激活通用声码器
点击放大 ⤢
第1章
Vocos · 傅里叶域 GAN 声码器
点击放大 ⤢
第2章
VALL-E · 编解码语言模型 TTS
点击放大 ⤢
第2章
Mega-TTS 2 · 多句提示与韵律分解
点击放大 ⤢
第2章
VoiceCraft · 填空式编解码 LM
点击放大 ⤢
第2章
VALL-E 2 · 稳定高效的编解码 LM
点击放大 ⤢
第2章
VALL-E R · 单调对齐的编解码 LM
点击放大 ⤢
第2章
Fish-Speech · 快慢双自回归
点击放大 ⤢
第2章
Llasa · 单码本 LLM 的扩展研究
点击放大 ⤢
第2章
Spark-TTS · 解耦单流可控 TTS
点击放大 ⤢
第3章
NaturalSpeech 2 · 潜在扩散
点击放大 ⤢
第3章
Voicebox · 流匹配语音填空
点击放大 ⤢
第3章
VoiceFlow · 整流流匹配 TTS
点击放大 ⤢
第3章
NaturalSpeech 3 · 因子化扩散
点击放大 ⤢
第3章
E2 TTS · 填充符流匹配 TTS
点击放大 ⤢
第3章
F5-TTS · 流匹配零样本 TTS
点击放大 ⤢
第3章
ZipVoice · 轻量快速流匹配 TTS
点击放大 ⤢
第4章
MaskGCT · 两阶段掩码生成 TTS
点击放大 ⤢
第4章
DiTAR · patch 级连续自回归
点击放大 ⤢
第4章
CLEAR · 连续隐变量低延迟 AR
点击放大 ⤢
第4章
MELA-TTS · 连续 mel 自回归+表示对齐
点击放大 ⤢
第4章
VoxCPM · 半离散骨架+残差的无分词器 TTS
点击放大 ⤢
第5章
Seed-TTS · 与真人难分的 TTS 家族
点击放大 ⤢
第5章
CosyVoice · 监督语义 token 的 TTS
点击放大 ⤢
第5章
FireRedTTS · 数据到应用的 TTS 基座
点击放大 ⤢
第5章
CosyVoice 2 · 流式离线一体的 LLM TTS
点击放大 ⤢
第5章
FireRedTTS-1S · 双路流式基础 TTS
点击放大 ⤢
第5章
MiniMax-Speech · 无转写零样本克隆
点击放大 ⤢
第5章
CosyVoice 3 · 走向真实场景的扩容 TTS
点击放大 ⤢
第5章
IndexTTS2 · 时长可控的情感 AR TTS
点击放大 ⤢
第5章
IndexTTS 2.5 · 多语种提速
点击放大 ⤢
第5章
Voxtral TTS · AR+流匹配
点击放大 ⤢
第5章
Qwen-Audio-3.0-TTS · 五阶段生产级
点击放大 ⤢
第6章
XTTS · 16 语种开源零样本 TTS
点击放大 ⤢
第6章
Takin · 有声书零样本语音家族
点击放大 ⤢
第6章
VoiceCraft-X · 编辑合成一体
点击放大 ⤢
第6章
Qwen3-TTS · 双轨流式多语种
点击放大 ⤢
第6章
Fish Audio S2 · 指令可控
点击放大 ⤢
第6章
MOSS-TTS · 极简配方的 AR 基座
点击放大 ⤢
第6章
T5Gemma-TTS · 时长可控编解码
点击放大 ⤢
第7章
OmniVoice · 600+语种掩码扩散
点击放大 ⤢
第7章
UniVoice · 说话唱歌统一流匹配
点击放大 ⤢
第7章
VoxCPM2 · 层级连续 latent 基座
点击放大 ⤢
第7章
dots.tts · 连续自回归流匹配
点击放大 ⤢
第7章
Luna-TTS · 掩码扩散 TTS 家族
点击放大 ⤢
第8章
IPA 跨语种 TTS（Zhang 2021） · 音色泄露
点击放大 ⤢
第8章
YourTTS · 零样本多语种 TTS
点击放大 ⤢
第8章
Vevo · 自监督解耦音色与风格
点击放大 ⤢
第8章
离散 token 口音生成（Zhong 2026） · 评测再思考
点击放大 ⤢
第8章
CodecMOS-Accent · 口音基准
点击放大 ⤢
第8章
X-Voice · 免文字稿 30 语种克隆
点击放大 ⤢
第8章
BlueMagpie-TTS · 台湾腔混说
点击放大 ⤢
第8章
Confucius4-TTS · 跨语种克隆
点击放大 ⤢
第8章
短语级 LCG（Lee 2026） · 零训练口音控制
点击放大 ⤢
第9章
InstructTTS · 自然语言风格提示
点击放大 ⤢
第9章
PromptTTS 2 · 文字描述生成声音
点击放大 ⤢
第9章
EmoVoice · 自由描述控制情感
点击放大 ⤢
第9章
Step-Audio-EditX · 大间隔编辑
点击放大 ⤢
第9章
OV-InstructTTS · 先推理再合成
点击放大 ⤢
第9章
Poly-InstructTTS · 属性思考
点击放大 ⤢
第10章
ZipVoice-Dialog · 流匹配对话
点击放大 ⤢
第10章
VibeVoice · 90分钟多人播客
点击放大 ⤢
第10章
SoulX-Podcast · 方言播客合成
点击放大 ⤢
第10章
MOSS-TTSD · 60分钟多人对话合成
点击放大 ⤢
第11章
LM-TTS 偏好对齐（Tian 2024） · DPO 实证研究
点击放大 ⤢
第11章
DMOSpeech · 蒸馏扩散直接优化指标
点击放大 ⤢
第11章
GLASS · GRPO 训练风格 LoRA
点击放大 ⤢
第11章
FlowTTS-GRPO · 流匹配强化学习
点击放大 ⤢
第11章
Faster IndexTTS-2 · 流式加速
点击放大 ⤢
第11章
主观奖励 RL（Park 2026） · 预测器何时对齐人耳
点击放大 ⤢
第11章
Listen-Critique-Refine（Yu 2026） · 语音大模型自我批注精修
点击放大 ⤢
第12章
LibriTTS · 24kHz多说话人语料
点击放大 ⤢
第12章
WenetSpeech4TTS · 中文语料
点击放大 ⤢
第12章
Emilia · 野外多语种语音数据
点击放大 ⤢
第12章
EmergentTTS-Eval · 评测集
点击放大 ⤢
第12章
WenetSpeech-Yue · 粤语语料
点击放大 ⤢
第12章
MINT-Bench · 指令 TTS 基准
点击放大 ⤢
第12章
VoiceMOS 2026 · 评分预测赛
点击放大 ⤢
