港中大（深圳）与趣丸科技合作推出了新一代大规模声音克隆TTS模型——MaskGCT。该模型在包含10万小时多语言数据的Emilia数据集上训练，展现出超自然的语音克隆、风格迁移和跨语言生成能力。MaskGCT采用全非自回归掩码生成编解码器Transformer架构，消除了文本与语音监督之间的显式对齐需求和音素级持续时间预测。模型分为两阶段：第一阶段使用文本预测语义标记，第二阶段基于语义标记预测声学标记。实验结果表明，MaskGCT在语音质量、相似度和可理解性方面优于当前最先进的零样本TTS系统，并在风格迁移、跨语言生成等任务中表现出色。MaskGCT已在香港中文大学（深圳）与上海人工智能实验室联合开发的开源系统Amphion发布，并应用于短剧出海、智能助手、有声读物等领域。