一个非常棒的TTS模型：MaskGCT

该方法无需显式对齐和持续时间预测，通过掩码学习在声音克隆、跨语种合成等方面表现优异。它支持语速、情感和语气控制，支持零样本合成和声音转换。
项目地址：https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct
官方文档：https://maskgct.github.io/
论文地址：https://arxiv.org/abs/2409.00750