縮小‘表現力差距’：Mistral的Voxtral TTS如何透過混合自迴歸與流匹配架構重新定義多語言語音克隆

Mistral AI釋出了Voxtral TTS，這是一個約4B引數的多語言語音合成模型，透過結合自迴歸生成和流匹配兩種正規化，在零樣本語音克隆中勝率超過ElevenLabs Flash v2.5達68.4%，支援9種語言，僅需3秒參考音訊即可生成自然、保說話人特徵的語音。文章詳細介紹了其架構、訓練後最佳化及在語音代理、有聲書流水線等場景的應用。