MaskGCT（Masked Generative Codec Transformer）是一种零样本文本到语音（TTS）转换模型。它是一种无自回归的深度学习模型，专注于生成自然、相似度高且可控的语音，同时不需要文本与语音之间的显式对齐信息。 MaskGCT 的优势 更高的自然度和相似性：与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。 灵活性和可控性：MaskGCT 支持对语音生成的多样性和情感控制，使其在多种应用场景中具有更广泛的适用性​。 快速推理：模型通过并行…