4月2日，美团对外发布了一款名为LongCat-AudioDiT的音频生成模型，该模型在文本转语音（TTS）领域实现了技术突破，直接在波形潜空间进行基于扩散模型的转换，摒弃了传统的梅尔谱等中间表示。这一创新减少了在不同空间转换过程中累积的误差，提升了合成声音的高保真度和个性化细节。

LongCat-AudioDiT的核心架构包括一个波形变分自编码器（Wav-VAE）和一个扩散Transformer（DiT），在波形隐空间内完成声音的压缩、建模与重建。该模型采用了高效的下采样与多尺度建模、非参数捷径稳定训练以及对抗式多目标训练等创新技术。其骨干网络基于Transformer，并集成了全局自适应层归一化（GlobalAdaLN）、QK-Norm+RoPE稳定注意力训练等多项结构优化，有效修复了流匹配TTS的“训练-推理”不匹配问题。

在性能测试方面，LongCat-AudioDiT的3.5B版本在Seed-ZH测试集的说话人相似度（SIM）指标达到了0.818，Seed-Hard测试集达到0.797，超越了Seed-TTS、CosyVoice3.5、MiniMax-Speech等知名模型。目前，LongCat-AudioDiT模型已经开源，相关论文和代码可通过链接访问。