Maison
Le modèle audio open source de Meituan établit une nouvelle référence en matière de clonage vocal
La génération audio connaît actuellement une évolution fondamentale, passant d'architectures en cascade à plusieurs étapes à des modèles de bout en bout. Afin de pallier la perte d'informations et l'accumulation d'erreurs inhérentes à la représentation intermédiaire traditionnelle « spectrogramme Mel » utilisée dans les systèmes de synthèse vocale (TTS), l'équipe Meituan LongCat a officiellement publié et mis en open source LongCat-AudioDiT (disponible en versions 1B et 3,5B de paramètres). Ce modèle dépasse avec succès les limites de performance précédentes en matière de clonage vocal « zero-shot » en effectuant une modélisation directe de l'espace latent des formes d'onde.
Architecture de base : aller au-delà des spectrogrammes Mel
LongCat-AudioDiT abandonne le pipeline conventionnel en plusieurs étapes « prédiction des caractéristiques acoustiques + vocodeur neuronal » pour établir à la place une architecture minimale rationalisée reposant sur un Wav-VAE (Waveform Variational Autoencoder) et un DiT (Diffusion Transformer).
Wav-VAE efficace : grâce à une conception entièrement convolutive, il compresse les formes d'onde de 24 kHz d'un facteur de 2 000 pour atteindre une fréquence d'échantillonnage de 11,7 Hz. Grâce à des branches de raccourci non paramétriques et à un apprentissage antagoniste multi-objectifs, il garantit que la forme d'onde reconstruite conserve une structure temps-fréquence précise tout en offrant une excellente qualité d'écoute naturelle.
DiT à sémantique améliorée : le modèle fusionne de manière innovante les plongements de mots originaux provenant de l'encodeur de texte UMT5 avec ses états cachés de niveau supérieur. Cela compense les détails phonétiques perdus dans les représentations sémantiques de haut niveau, améliorant considérablement l'intelligibilité de la parole générée.
Optimisation de l'inférence : correction précise de la dérive vocale
Afin d'améliorer encore la qualité de la génération, l'équipe a mis en œuvre deux améliorations techniques essentielles :
Mécanisme à double contrainte : cette technique identifie et corrige le problème persistant de « décalage entre l'entraînement et l'inférence » dans la synthèse vocale par adaptation de flux. En réinitialisant de force les variables latentes dans la zone de prompt pendant l'inférence, elle résout complètement les problèmes de dérive et d'instabilité de la voix du locuteur.
Guidage par projection adaptative (APG) : l'APG remplace le guidage traditionnel sans classificateur (CFG). Il permet de filtrer avec précision les composantes bénéfiques du signal de guidage tout en supprimant celles qui causent une dégradation audio, améliorant ainsi considérablement le naturel de la parole sans induire de « sursaturation » spectrale.
Performances : précision de clonage de niveau SOTA
Lors des tests de référence sur l'ensemble de données Seed, LongCat-AudioDiT affiche des performances dominantes :
Similitude (SIM) : le modèle 3,5B a obtenu un score de 0,818 sur l'ensemble de test Seed-ZH et de 0,797 sur l'ensemble de phrases Seed-Hard, plus difficile, surpassant des modèles notables tels que Seed-TTS, CosyVoice3.5 et MiniMax-Speech.
Précision : il se classe parmi les meilleurs de l'industrie pour les indicateurs clés, avec notamment un WER de 1,50 % en anglais et un CER de 6,04 % pour les phrases difficiles en chinois.
Il est remarquable de constater que LongCat-AudioDiT obtient des résultats supérieurs à ceux des modèles entraînés en plusieurs étapes, en utilisant uniquement un entraînement en une seule étape sur des données de transcription ASR prétraitées. L'article de recherche associé, le code source et les poids du modèle sont désormais entièrement open source et disponibles sur GitHub et HuggingFace.
Liens vers le projet :
GitHub : https://github.com/meituan-longcat/LongCat-AudioDiT
HuggingFace : https://huggingface.co/meituan-longcat/LongCat-AudioDiT
Article connexe
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
Conformité des véhicules autonomes en Californie : une nouvelle ère marquée par les amendes, les zones de géolocalisation et 1 million de miles
Guident exploite une navette AuveTech dans le sud de la Floride, gérant un parcours de quatre miles à West Palm Beach et un parcours d’un mile à Boca Raton grâce à sa technologie de surveillance à dis
Recommandations de sujets spéciaux liés
Composition musicale
Outils de séparation des pistes audio par IA pour la production de remix, la préparation de samples et les masters de karaoké
2026 : Les meilleures et plus récentes outils de séparation des pistes audio par IA, hautement notés, sélectionnés spécialement pour la production de remix, la préparation de samples et l’enregistrement de karaokés. Ces outils puissants et révolutionnaires, éprouvés dans des conditions réelles, permettent une isolation audio précise, ce qui améliore considérablement la productivité. XIX.AI propose un guide de comparaison gratuit mis à jour chaque semaine entre les versions payantes et gratuites, afin de vous aider à trouver la solution idéale adaptée à vos besoins. Découvrez-les dès maintenant pour tirer parti des avantages offerts par l’IA.
8 outils
xix.ai
Analyse des données
Copilotes SQL basés sur l’IA pour les tableaux de bord de chiffre d’affaires, l’analyse des funnels et les indicateurs de produits
2026 : Les meilleurs copilotes AI SQL actuels, classés parmi les plus performants ! XIX.AI a sélectionné une collection puissante et révolutionnaire, mise à jour chaque semaine grâce à des tests concrets. Ces outils indispensables vous aident à créer des tableaux de bord financiers précis, à analyser les canaux de vente et à suivre en temps réel les indicateurs produits, ce qui améliore considérablement votre productivité. Découvrez-les dès maintenant pour trouver l’outil idéal pour des décisions basées sur les données ! 238 caractères
9 outils
xix.ai
Composition musicale
Meilleurs outils d’écriture de mélodies par IA pour les ébauches de chansons
2026 Derniers Meilleurs Outils d’Écriture de Mélodie par IA les Mieux Notés pour des Ébauches de Chansons ! XIX.AI a sélectionné une collection hautement puissante et révolutionnaire, soumise à des tests rigoureux en conditions réelles, afin d’offrir la meilleure expérience d’écriture. Vous pouvez y trouver des comparaisons détaillées entre versions gratuites et payantes, des classements précis, ainsi que des options incontournables conçues pour vous aider à créer sans effort des ébauches de chansons remarquables et à booster significativement votre productivité créative. Explorez dès maintenant pour découvrir l’outil qui vous correspond parfaitement !
8 outils
xix.ai
chatbot
Meilleurs outils d’entraînement à la conversation par IA pour la préparation aux entretiens
Les derniers outils de formation à la conversation par IA les mieux notés pour 2026 sont disponibles sur XIX.AI ! Cette sélection rigoureuse propose des outils puissants et révolutionnaires, testés rigoureusement dans des conditions réelles pour fournir des retours précis. Vous y trouverez une comparaison entre les versions gratuites et payantes, ainsi que des classements détaillés pour vous aider à choisir l’option incontournable qui renforce votre confiance et vos compétences. Explorez dès maintenant pour découvrir l’outil parfait pour réussir vos entretiens !
12 outils
xix.ai
Conception et art
Les meilleurs outils de transfert de style basés sur l'IA pour des expériences créatives
Les meilleurs outils de transfert de style par IA de 2026, les mieux notés, pour des expériences créatives ! XIX.AI a sélectionné une collection d’outils puissants et révolutionnaires à essayer absolument, qui offrent des résultats exceptionnels grâce à des tests en conditions réelles et à un classement rigoureux. Ces solutions de pointe aident les créatifs à booster considérablement leur productivité en accélérant la création de contenu et en ouvrant la voie à des possibilités créatives infinies. Découvrez-les dès maintenant pour trouver l'outil qui vous convient le mieux et commencez à créer dès aujourd'hui !
9 outils
xix.ai
Création de bande dessinée
Les meilleurs outils d'IA pour créer des bulles de dialogue destinés à la narration visuelle
Les meilleurs outils de 2026 pour la création de bulles de dialogue IA, les mieux notés pour la narration visuelle, sont disponibles ici sur XIX.AI ! Cette sélection regroupe des outils puissants et révolutionnaires qui aident les créateurs à booster leur productivité et à surmonter les blocages créatifs. Consultez un comparatif entre les versions gratuites et payantes, découvrez des tests en conditions réelles et consultez les derniers classements pour trouver les solutions incontournables, parfaites pour créer des récits visuels captivants. Explorez dès maintenant pour découvrir l'outil qui vous convient le mieux !
10 outils
xix.ai
commentaires (1)
![FredGreen]()
Honestly, the switch from multi-stage cascades to end-to-end models in audio generation sounds like a huge leap forward. But I'm wondering—how do they ensure the cloned voice doesn't pick up weird artifacts or biases from the training data? Also, open-sourcing it is cool, but I hope they've thought about potential misuse, like deepfake audio scams. 😅
La génération audio connaît actuellement une évolution fondamentale, passant d'architectures en cascade à plusieurs étapes à des modèles de bout en bout. Afin de pallier la perte d'informations et l'accumulation d'erreurs inhérentes à la représentation intermédiaire traditionnelle « spectrogramme Mel » utilisée dans les systèmes de synthèse vocale (TTS), l'équipe Meituan LongCat a officiellement publié et mis en open source LongCat-AudioDiT (disponible en versions 1B et 3,5B de paramètres). Ce modèle dépasse avec succès les limites de performance précédentes en matière de clonage vocal « zero-shot » en effectuant une modélisation directe de l'espace latent des formes d'onde.
Architecture de base : aller au-delà des spectrogrammes Mel
LongCat-AudioDiT abandonne le pipeline conventionnel en plusieurs étapes « prédiction des caractéristiques acoustiques + vocodeur neuronal » pour établir à la place une architecture minimale rationalisée reposant sur un Wav-VAE (Waveform Variational Autoencoder) et un DiT (Diffusion Transformer).
Wav-VAE efficace : grâce à une conception entièrement convolutive, il compresse les formes d'onde de 24 kHz d'un facteur de 2 000 pour atteindre une fréquence d'échantillonnage de 11,7 Hz. Grâce à des branches de raccourci non paramétriques et à un apprentissage antagoniste multi-objectifs, il garantit que la forme d'onde reconstruite conserve une structure temps-fréquence précise tout en offrant une excellente qualité d'écoute naturelle.
DiT à sémantique améliorée : le modèle fusionne de manière innovante les plongements de mots originaux provenant de l'encodeur de texte UMT5 avec ses états cachés de niveau supérieur. Cela compense les détails phonétiques perdus dans les représentations sémantiques de haut niveau, améliorant considérablement l'intelligibilité de la parole générée.
Optimisation de l'inférence : correction précise de la dérive vocale
Afin d'améliorer encore la qualité de la génération, l'équipe a mis en œuvre deux améliorations techniques essentielles :
Mécanisme à double contrainte : cette technique identifie et corrige le problème persistant de « décalage entre l'entraînement et l'inférence » dans la synthèse vocale par adaptation de flux. En réinitialisant de force les variables latentes dans la zone de prompt pendant l'inférence, elle résout complètement les problèmes de dérive et d'instabilité de la voix du locuteur.
Guidage par projection adaptative (APG) : l'APG remplace le guidage traditionnel sans classificateur (CFG). Il permet de filtrer avec précision les composantes bénéfiques du signal de guidage tout en supprimant celles qui causent une dégradation audio, améliorant ainsi considérablement le naturel de la parole sans induire de « sursaturation » spectrale.
Performances : précision de clonage de niveau SOTA
Lors des tests de référence sur l'ensemble de données Seed, LongCat-AudioDiT affiche des performances dominantes :
Similitude (SIM) : le modèle 3,5B a obtenu un score de 0,818 sur l'ensemble de test Seed-ZH et de 0,797 sur l'ensemble de phrases Seed-Hard, plus difficile, surpassant des modèles notables tels que Seed-TTS, CosyVoice3.5 et MiniMax-Speech.
Précision : il se classe parmi les meilleurs de l'industrie pour les indicateurs clés, avec notamment un WER de 1,50 % en anglais et un CER de 6,04 % pour les phrases difficiles en chinois.
Il est remarquable de constater que LongCat-AudioDiT obtient des résultats supérieurs à ceux des modèles entraînés en plusieurs étapes, en utilisant uniquement un entraînement en une seule étape sur des données de transcription ASR prétraitées. L'article de recherche associé, le code source et les poids du modèle sont désormais entièrement open source et disponibles sur GitHub et HuggingFace.
Liens vers le projet :
GitHub : https://github.com/meituan-longcat/LongCat-AudioDiT
HuggingFace : https://huggingface.co/meituan-longcat/LongCat-AudioDiT
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
Conformité des véhicules autonomes en Californie : une nouvelle ère marquée par les amendes, les zones de géolocalisation et 1 million de miles
Guident exploite une navette AuveTech dans le sud de la Floride, gérant un parcours de quatre miles à West Palm Beach et un parcours d’un mile à Boca Raton grâce à sa technologie de surveillance à dis
2026 : Les meilleures et plus récentes outils de séparation des pistes audio par IA, hautement notés, sélectionnés spécialement pour la production de remix, la préparation de samples et l’enregistrement de karaokés. Ces outils puissants et révolutionnaires, éprouvés dans des conditions réelles, permettent une isolation audio précise, ce qui améliore considérablement la productivité. XIX.AI propose un guide de comparaison gratuit mis à jour chaque semaine entre les versions payantes et gratuites, afin de vous aider à trouver la solution idéale adaptée à vos besoins. Découvrez-les dès maintenant pour tirer parti des avantages offerts par l’IA.
8 outils
xix.ai
2026 : Les meilleurs copilotes AI SQL actuels, classés parmi les plus performants ! XIX.AI a sélectionné une collection puissante et révolutionnaire, mise à jour chaque semaine grâce à des tests concrets. Ces outils indispensables vous aident à créer des tableaux de bord financiers précis, à analyser les canaux de vente et à suivre en temps réel les indicateurs produits, ce qui améliore considérablement votre productivité. Découvrez-les dès maintenant pour trouver l’outil idéal pour des décisions basées sur les données ! 238 caractères
9 outils
xix.ai
2026 Derniers Meilleurs Outils d’Écriture de Mélodie par IA les Mieux Notés pour des Ébauches de Chansons ! XIX.AI a sélectionné une collection hautement puissante et révolutionnaire, soumise à des tests rigoureux en conditions réelles, afin d’offrir la meilleure expérience d’écriture. Vous pouvez y trouver des comparaisons détaillées entre versions gratuites et payantes, des classements précis, ainsi que des options incontournables conçues pour vous aider à créer sans effort des ébauches de chansons remarquables et à booster significativement votre productivité créative. Explorez dès maintenant pour découvrir l’outil qui vous correspond parfaitement !
8 outils
xix.ai
Les derniers outils de formation à la conversation par IA les mieux notés pour 2026 sont disponibles sur XIX.AI ! Cette sélection rigoureuse propose des outils puissants et révolutionnaires, testés rigoureusement dans des conditions réelles pour fournir des retours précis. Vous y trouverez une comparaison entre les versions gratuites et payantes, ainsi que des classements détaillés pour vous aider à choisir l’option incontournable qui renforce votre confiance et vos compétences. Explorez dès maintenant pour découvrir l’outil parfait pour réussir vos entretiens !
12 outils
xix.ai
Les meilleurs outils de transfert de style par IA de 2026, les mieux notés, pour des expériences créatives ! XIX.AI a sélectionné une collection d’outils puissants et révolutionnaires à essayer absolument, qui offrent des résultats exceptionnels grâce à des tests en conditions réelles et à un classement rigoureux. Ces solutions de pointe aident les créatifs à booster considérablement leur productivité en accélérant la création de contenu et en ouvrant la voie à des possibilités créatives infinies. Découvrez-les dès maintenant pour trouver l'outil qui vous convient le mieux et commencez à créer dès aujourd'hui !
9 outils
xix.ai
Les meilleurs outils de 2026 pour la création de bulles de dialogue IA, les mieux notés pour la narration visuelle, sont disponibles ici sur XIX.AI ! Cette sélection regroupe des outils puissants et révolutionnaires qui aident les créateurs à booster leur productivité et à surmonter les blocages créatifs. Consultez un comparatif entre les versions gratuites et payantes, découvrez des tests en conditions réelles et consultez les derniers classements pour trouver les solutions incontournables, parfaites pour créer des récits visuels captivants. Explorez dès maintenant pour découvrir l'outil qui vous convient le mieux !
10 outils
xix.ai
Honestly, the switch from multi-stage cascades to end-to-end models in audio generation sounds like a huge leap forward. But I'm wondering—how do they ensure the cloned voice doesn't pick up weird artifacts or biases from the training data? Also, open-sourcing it is cool, but I hope they've thought about potential misuse, like deepfake audio scams. 😅
