9月12日，小米技术发布消息，近日，小米集团AI实验室新一代Kaldi团队发布了基于Flow Matching架构的ZipVoice系列语音合成（TTS）模型——ZipVoice（零样本单说话人语音合成模型）与ZipVoice-Dialog（零样本对话语音合成模型）。

ZipVoice解决了现有零样本语音合成模型的参数量大、合成速度慢的痛点，ZipVoice-Dialog则解决了现有对话语音合成模型在稳定性和推理速度上的瓶颈。

实验结果表明，ZipVoice和ZipVoice-Distill在具备更小参数量和更快推理速度的同时，在三个客观指标，即说话人相似度（SIM-o）、词错误率（WER）和UTMOS，以及两个主观指标（CMOS、SMOS）上都极具竞争力，达到了零样本语音合成模型的SOTA性能水平，同时显著减少了模型参数量，加快了推理速度。

对话语音合成模型可以根据对话文本合成双人对话语音，是AI播客等应用的核心技术，得到了业界的广泛关注。相对单说话人语音合成，对话语音合成需要在一句话中合成不同的说话人音色，且需实现自然且准确的说话人切换，因此更有挑战性。