美团 LongCat 团队开源 LongCat-AudioDiT 语音合成模型，零样本克隆效果超行业竞品

美团 LongCat 团队近期开源了语音合成模型 LongCat-AudioDiT，提供 1B 和 3.5B 两个版本，代码与权重均采用 MIT 协议。该模型的核心亮点是零样本声音克隆——只需一段参考录音，就能用该说话人的音色朗读任意新文本。

传统语音合成需先转文本为频谱图再还原波形，而 LongCat-AudioDiT 跳过中间步骤，直接在波形压缩表示上做扩散生成，减少误差。在 Seed 基准测试中，3.5B 版本中文说话人相似度达 0.818，超过字节 Seed-DiT；困难子集相似度 0.797，优于阿里 CosyVoice3.5。

论文还提到一个反直觉发现：中间压缩环节还原质量越高，最终合成效果未必更好。