小米集团AI实验室新一代Kaldi团队近日宣布，推出两款基于Flow Matching架构的语音合成模型——ZipVoice与ZipVoice-Dialog，分别针对单说话人语音合成和对话场景语音合成需求进行优化。
据技术团队介绍，ZipVoice作为零样本单说话人语音合成模型，通过创新架构设计显著降低了模型参数量，同时将语音合成速度提升至行业领先水平。该模型突破了传统零样本语音合成中“参数量大、效率低”的技术瓶颈，在保持合成音质自然度的前提下，实现了更轻量化的模型部署。
针对对话场景的特殊需求，团队同步推出ZipVoice-Dialog模型。该模型通过优化算法结构，有效解决了对话语音合成中常见的稳定性问题，同时将推理速度提升30%以上。在多轮对话测试中，模型展现出更强的上下文适应能力，能够保持音色一致性并减少语音断层现象。
研发团队透露，两款模型均采用非自回归生成框架，通过流匹配（Flow Matching）技术实现语音特征的渐进式生成。这种设计既保证了合成语音的流畅性，又大幅减少了计算资源消耗。目前，相关技术已应用于小米智能设备的语音交互系统，后续将逐步开放给开发者社区。
