StyleTTS2

StyleTTS2 是一个面向高自然度语音合成的端到端文本转语音（TTS）模型。它创新性地结合风格扩散（style diffusion）与基于大语音语言模型（如WavLM）的对抗训练，无需参考语音即可自适应生成多样化、高保真的说话风格；采用可微时长建模实现端到端优化，并在LJSpeech和VCTK等基准上达到或超越人类录音水平。项目支持单/多说话人建模、零样本说话人适配及微调，适用于语音助手、有声内容生成、无障碍交互等对语音自然度和风格可控性要求较高的场景。