9月12日，小米技術發布消息，近日，小米集團AI實驗室新一代Kaldi團隊發布了基于Flow Matching架構的ZipVoice系列語音合成（TTS）模型——ZipVoice（零樣本單說話人語音合成模型）與ZipVoice-Dialog（零樣本對話語音合成模型）。

ZipVoice解決了現有零樣本語音合成模型的參數量大、合成速度慢的痛點，ZipVoice-Dialog則解決了現有對話語音合成模型在穩定性和推理速度上的瓶頸。

實驗結果表明，ZipVoice和ZipVoice-Distill在具備更小參數量和更快推理速度的同時，在三個客觀指標，即說話人相似度（SIM-o）、詞錯誤率（WER）和UTMOS，以及兩個主觀指標（CMOS、SMOS）上都極具競爭力，達到了零樣本語音合成模型的SOTA性能水平，同時顯著減少了模型參數量，加快了推理速度。

對話語音合成模型可以根據對話文本合成雙人對話語音，是AI播客等應用的核心技術，得到了業界的廣泛關注。相對單說話人語音合成，對話語音合成需要在一句話中合成不同的說話人音色，且需實現自然且準確的說話人切換，因此更有挑戰性。