Seed-TTS ist eine von ByteDance entwickelte Reihe von großskaligen autoregressiven Text-to-Speech-(TTS-)Modellen, die menschenähnliche Sprache erzeugen können. Es zeichnet sich durch hervorragende Leistung in Bezug auf Sprachkontextlernen, Sprecherähnlichkeit und Natürlichkeit aus und kann durch Feinabstimmung weiter verbessert werden. Seed-TTS bietet außerdem eine überragende Kontrolle über Sprachattribute wie Emotionen und erzeugt hoch expressive und diverse Sprache. Darüber hinaus wird eine Selbstdestillationsmethode zur Sprachzerlegung sowie eine Verstärkungslernmethode zur Verbesserung der Modellrobustheit, Sprecherähnlichkeit und Steuerbarkeit vorgestellt. Es wird auch eine nicht-autoregressive (NAR) Variante des Seed-TTS-Modells, Seed-TTSDiT, vorgestellt, die eine vollständig diffusionsbasierte Architektur verwendet und nicht von vorher geschätzten Phonemdauern abhängt, wodurch die Sprachgenerierung end-to-end erfolgt.