**SwanTale：统一多说话人语音与音频生成模型，支持指令与零样本任务**

_SwanTale: Unified Multi-Speaker Speech and Audio Generation for Instruct and Zero-Shot Tasks_

> HuggingFace Daily Papers 社区热门论文。研究团队提出 SwanTale 模型，支持多说话人语音和音频生成，可同时处理指令任务和零样本任务。该模型引入 SwanData-Caption 进行数据清洗与多级标注，采用 SwanVAE 支持高质量多模态音频生成，并结合奖励条件质量控制、Engram 条件、统一 MoE 架构以及课程学习和 GRPO 后训练技术。实验表明 SwanTale 在多项零样本和指令指标上领先，表达效果优异，可支持涉及多说话人语音和音频的复杂指令生成。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.02023)