**WaveGen：通过内部频谱轨迹学习实现真正的端到端波形生成**

_WaveGen: Truly End-to-End Waveform Generation via Internal Spectral Trajectory Learning_

> WaveGen 提出了一种基于频谱强制（Spectral Forcing）的端到端扩散模型，直接实现文本到波形的生成。该框架摒弃了传统 TTS 中独立的中间表示（如神经音频编解码器）和外部对齐模块，并避免了自监督表示的依赖，通过单一架构和单阶段训练在 Emilia 数据集上取得了最先进性能，同时在 Seed-en 基准测试中展现出优异的语音识别准确率（WER 1.47）和相似度（SIM 0.75）。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-11 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.12527)