12｜2026 年 TTS 进展：多码本、离散扩散与严格流式

本章资料核对截止 2026-09-29。它记录可追溯的论文、官方仓库和发布信息，不宣称穷尽该日期之前的全部模型。过去的技术路线没有收敛成单一架构：自回归、多码本局部生成、连续流匹配与离散掩码生成都仍在发展。

当前变化集中在表示压缩、可控生成、长上下文和输入输出双向流式。

图 1｜2026 年代表模型在生成空间与序列调度上的分布

1. 已核对的发布与研究节点

时间 / 状态	对象	变化	阅读入口
2026-01，已发布	Qwen3-TTS 12Hz	双轨输入、时间主干与帧内多码本生成	本专题
2026-03，论文与开放权重	Fish Audio S2 Pro	Dual-AR、细粒度指令与多奖励后训练	Fish 子文
2026-03 起，模型家族	MOSS-TTS	Delay 与 Local Transformer 两条生成路线	MOSS 子文
2026-04，论文与开放权重	OmniVoice	直接生成多码本 token 的离散掩码扩散	OmniVoice 子文
2026-05/06，已更新	MOSS v1.5 / tokenizer v2	语言标记、停顿控制、48 kHz 立体声等	官方仓库
2026-08，论文与实现	X2Streaming-TTS	未决文字缓冲与跨段语音状态继承	流式专题

MOSS 官方仓库中的 “2.0 coming soon” 是预告，本文不列为已发布权重。Fish S2.1 Pro 在官方服务资料中已出现，但不能从其 API 名称推断 S2 Pro 仓库就是同一权重。软件提交日期也不能替代模型发布日期。

2. 架构差异对应什么取舍

路线	长处	仍需解决
时间 AR + 局部码本 AR	增量输出自然，降低大主干步数	帧内串行与长文本错误传播
Delay pattern	单一主干、多头结构规整	首尾延迟与码本错位协议
连续 CFM	整段频谱联合建模、提示补全	多次网络评估、长度估计与分块连续性
离散掩码扩散	并行利用目标区双向上下文	迭代解掩码、长度预测与严格流式困难

更低 token 帧率减少时间步，却把更多信息压到每帧表示与解码器里。

3. “效果更好”需要拆成哪些指标

$$\operatorname{WER}=\frac{S+D+I}{N}.$$

公式符号与约定

符号	含义、单位与约定
$S$	识别文本相对参考文本的替换词数。
$D$	删除词数；这里不是音频时长。
$I$	插入词数。
$N$	参考文本词数。
$\operatorname{WER}$	词错误率；中文也常使用按字计算的 CER，分词口径不可混用。

参考有 20 个词，替换 1、删除 1、插入 0，WER 为 10%。这个数字由合成内容和识别器共同影响；识别器把口音识别错也会增加分数，不能直接当作人类听错率。

维度	应记录	不应代替
内容正确性	WER/CER、识别器、文本规范化规则	音质
身份相似	使用的 speaker encoder 与参考策略	风格可控性
自然度	盲听设计、样本量、置信区间	单条精选演示
指令遵循	成对输入、局部标签、独立判定	自动评分器自身偏好
延迟	首个可播音频、RTF、并发尾延迟	只给最快一次

不同数据集、ASR 与硬件上的排行榜数字不能直接拼成一张绝对优劣表。

4. 后续更新的核对顺序

先查官方模型卡是否新增权重，再查 release 与固定提交；从对应报告确认架构变化，最后复测同一组文本、参考与硬件。每次更新应记录“变更发生在哪个模块”，而不是仅把页面标题改为“最新”。本轮没有设置定时监控；本页是有明确日期的资料快照。

专题导航：TTS 总目录