MaskGCT是由港中大（深圳）与趣丸科技联合开发的新一代文本转语音（TTS）开源模型。该模型通过非自回归（NAR）架构，解决了传统自回归（AR）和非自回归TTS系统的不足，生成的语音更加自然连贯。MaskGCT支持多种语音特征的控制，包括语音长度、语速、停顿和预期，并能进行语音内容编辑和声音克隆。其两阶段架构首先预测语义tokens，然后生成声学tokens，无需对齐监督即可合成高质量语音。MaskGCT还支持零样本语音内容编辑和语音转换，能够根据参考音频转换语音音色，同时保持语义内容不变。相关资源包括GitHub项目、项目主页、论文和Demo展示。