StepAudio 3 Gen Technical Report

  • 类型：arxiv
  • 标识：2609.12945
  • 链接：https://arxiv.org/abs/2609.12945
  • 主分类：multimodal
  • 形态：method
  • 被引：1
  • 被引来源：Semantic Scholar
  • S2被引：1
  • 影响力被引：0
  • TLDR：This study introduces StepAudio 3 Gen, a general-purpose audio generation model that supports zero-shot text-to-speech (TTS), voice design, vocal generation, sound effects, music, vibe speech, and mixtures of multiple audio types within a unified framework.
  • 待LLM分类：否
  • 标题中文：StepAudio 3 Gen 技术报告
  • TLDR中文：本研究提出了 StepAudio 3 Gen，一个通用音频生成模型，在统一框架下支持零样本文本到语音合成（TTS）、声音设计、人声生成、音效、音乐、风格化语音以及多种音频类型的混合生成。
  • 来源文件：
  • /inbox/tom/_candidates/2026-09-14-agent-rag-longcontext-candidates.json
  • [S2 enrich]