CSM 是一个端到端的基于 Transformer 的多模态学习模型,旨在生成自然带感情的语音。它能够理解上下文信息,并通过调整模型参数来控制语音的语气、语调、节奏和情感等特性。目前主要针对英语进行了训练,多语言能力有限。
字节跳动提供 DeepSeek R1、OpenAI o1、GPT-4o、Claude 3.5 和 Gemini 1.5等领先大模型