缩小‘表现力差距’：Mistral的Voxtral TTS如何通过混合自回归与流匹配架构重新定义多语言语音克隆

Mistral AI发布了Voxtral TTS，这是一个约4B参数的多语言语音合成模型，通过结合自回归生成和流匹配两种范式，在零样本语音克隆中胜率超过ElevenLabs Flash v2.5达68.4%，支持9种语言，仅需3秒参考音频即可生成自然、保说话人特征的语音。文章详细介绍了其架构、训练后优化及在语音代理、有声书流水线等场景的应用。