MisoTTS

MisoTTS 是一个参数量达80亿的高表现力文本转语音（TTS）模型，专注于生成富有情感和自然韵律的对话式语音。其采用RVQ Transformer架构，结合Llama 3.2风格的8B文本编码器与300M自回归音频解码器，支持基于文本及可选音频上下文的端到端语音合成。当前仅支持英文语音生成，适用于需要高质量、拟人化语音输出的对话系统、AI助手、有声内容生成等场景。