音频生成技术正迎来从级联架构向端到端生成的范式转移。针对传统 TTS 系统因“梅尔频谱”中间表征带来的信息损耗与误差累积，美团 LongCat 团队于今日正式发布并开源了 LongCat-AudioDiT（提供1B/3.5B 两个版本）。该模型通过在波形潜空间直接建模，成功刷新了零样本语音克隆的性能上限。
一、核心架构：彻底告别梅尔频谱
LongCat-AudioDiT 抛弃了传统的“预测声学特征+神经声码器”的多阶段流程，构建了由 Wav-VAE（波形变分自编码器） 与 DiT（扩散 Transformer） 组成的极简架构。
- 高效 Wav-VAE: 采用全卷积设计，将24kHz 波形压缩2000倍至11.7Hz 帧率。通过非参数捷径分支与多目标对抗训练，确保了重建波形在保持精确时频结构的同时，拥有极佳的自然听感。
- 语义增强 DiT: 模型创新性地将 UMT5文本编码器的原始词嵌入与顶层隐藏状态融合，补齐了高层语义中丢失的音素细节，大幅提升了生成语音的可懂度。
二、推理优化：精准解决音色漂移
为了进一步优化生成质量，团队引入了两项关键技术改进:
- 双重约束机制: 识别并纠正了流匹配 TTS 长期存在的“训练-推理不匹配”问题。通过在推理中强制重置提示区域（Prompt）隐变量，彻底解决了说话人音色漂移及稳定性不足的痛点。
- 自适应投影引导 （APG）: 取代传统的无分类器引导 （CFG）。APG 能够精准筛选引导信号中的有益分量，抑制导致音质劣化的信号，在不产生频谱“过饱和”的前提下，显著提升了语音的自然度。
三、性能表现：SOTA 级的克隆精度
在 Seed 基准测试中，LongCat-AudioDiT 展现了统治级的性能:
- 相似度（SIM）:3.5B 模型在 Seed-ZH 测试集达到 0.818，在 Seed-Hard 难句测试集达到 0.797，均超越了 Seed-TTS、CosyVoice3.5及 MiniMax-Speech 等知名模型。
- 准确率: 在英文 WER（1.50%）及中文难句 CER(6.04%)等指标上均处于行业第一梯队。
值得关注的是，LongCat-AudioDiT 仅通过 ASR 转写的预训练数据进行单阶段训练，便实现了优于多阶段训练模型的表现。目前，相关论文、代码及模型权重已在GitHub与HuggingFace全面开放。
地址:
GitHub: https://github.com/meituan-longcat/LongCat-AudioDiT
HuggingFace: https://huggingface.co/meituan-longcat/LongCat-AudioDiT
