M3-TTS

零样本合成高保真语音，多模态对齐+流匹配

M3-TTS 是一个基于 PyTorch 的开源语音合成项目，实现了论文《M3-TTS: Multi-modal DiT Alignment & Mel-latent for Zero-shot High-fidelity Speech Synthesis》中的方法。它旨在解决零样本（zero-shot）高质量语音合成问题，即无需针对特定说话人进行训练，即可合成任意说话人的语音。项目核心能力包括：采用多模态 DiT（Diffusion Transformer）对齐机制，将文本与语音特征进行精细对齐；引入 Mel-latent 中间表征，提升合成音频的保真度和自然度；基于 flow-matching 生成模型，实现稳定高效的语音生成。技术栈涵盖 flow-matching、mmdit 和 tts，代码结构清晰，适合研究者复现论文实验或在此基础上进行二次开发。