SwanTale:字节把声音克隆和「自然语言导演」塞进了同一个模型
💡 一句话带走:字节 2026 年 8 月的技术报告 SwanTale 用一套统一框架(SwanVAE 连续 latent + Flow-matching Transformer + Unified MoE + GRPO 后训练)同时做好了两件原本要分开做的事——用自然语言 caption 当「导演」指挥生成(instruct TTS)和用参考音频克隆音色(zero-shot TTS),还能在一条波形里塞下多说话人对话、环境音和音效;做语音生成 / AIGC 内容工具的人值得看它的 MoE 双路由和 GRPO 多奖励范式,但记住这是闭源技术报告、分数要打折。