# 谱强制

WaveGen把零样本语音合成从多级流水线收回到单个扩散模型：文本直接生成原始波形，不再经过神经音频编解码器、梅尔声码器、VAE潜变量或时长预测器。它用Spectral Forcing在模型内部同时学习一条低分辨率频谱轨迹和目标波形轨迹，为高分辨率波形上的文本-语音对齐提供结构化引导。在Emilia开源数据、单阶段训练下，0.6B参数的WaveGen在Seed-en基准上取得WER 1.47和说话人相似度SIM 0.75。

WaveGen把零样本语音合成从多级流水线收回到单个扩散模型：文本直接生成原始波形，不再经过神经音频编解码器、梅尔声码器、VAE潜变量或时长预测器。它用Spectral Forcing在模型内部同时学习一条低分辨率频谱轨迹和目标波形轨迹，为高分辨率波形上的文本-语音对齐提供结构化引导。在Emilia开源数据、单阶段训练下，0.6B参数的WaveGen在Seed-en基准上取得WER 1.47和说话人相似度SIM 0.75。