Irodori-TTS-v4-Large 语音模型
面向日语 TTS，支持零样本声音克隆与表情符号风格控制。
为什么重要
为日语 TTS 开发提供可用的声音克隆、风格控制和水印能力。
阅读原文huggingface.co
AI 解读（根据原文生成）
Irodori-TTS-v4-Large 是 Aratako 发布的日语文本转语音模型，基于 Rectified Flow Diffusion Transformer（RF-DiT）架构。它在统一模型中结合输入文本、参考语音和 Caption Text，支持零样本声音克隆、基于文本的声音设计和风格控制，并可通过表情符号控制情绪、说话方式及笑声、咳嗽、叹息等非语言声音。模型页面位于 Hugging Face，已知还提供 GitHub 仓库和在线 Demo。
要点（AI 据原文整理，数字均已与原文核对）
- It is based on a Rectified Flow Diffusion Transformer (RF-DiT) architecture.
- It supports up to 120 seconds of combined reference audio.
- v4-Large scales the v4 architecture from approximately 766M to 3.29B parameters.
- It replaces ModernBERT-ja with the fine-tuned text encoder from google/t5gemma-2-1b-1b.
- It integrates SilentCipher to apply robust, invisible audio watermarks directly to generated outputs.
