FireRedTTS3

1. 核心功能与产品特点

• 支持 24 种语言全列表：中文 (Chinese)、粤语 (Cantonese)、英语 (English)、日语 (Japanese)、韩语 (Korean)、法语 (French)、德语 (German)、俄语 (Russian)、西班牙语 (Spanish)、葡萄牙语 (Portuguese)、意大利语 (Italian)、阿拉伯语 (Arabic)、印地语 (Hindi)、泰语 (Thai)、越南语 (Vietnamese)、印尼语 (Indonesian)、土耳其语 (Turkish)、波兰语 (Polish)、荷兰语 (Dutch)、捷克语 (Czech)、希腊语 (Greek)、罗马尼亚语 (Romanian)、乌克兰语 (Ukrainian)、芬兰语 (Finnish)。
• 21 种中国方言：安徽、福建、甘肃、贵州、河北、河南、湖北、湖南、江西、辽宁、闽南、宁夏、陕西、山东、上海、山西、四川、天津、温州、吴语、云南。
• 自然语言 Voice Design：无需参考音频，直接输入文字描述（如“语气温柔的年轻女声”）即可凭空生成音色。
• 零样本语音克隆：几秒音频即可精准复刻目标音色。
• 自由语音编辑：支持改词/增词/删词等语义修改，以及对语速、音高、音量的精细控制。

⚠️ 关于多人对话功能的变更：v3 官方原生删除了 v2 中的多人对话功能。因为 v3 架构调整为专注单音色精度控制，若需实现多角色配音，需要由上层软件将对话拆分为单句独立生成后再进行音频拼接。

2. 与 v2 版本的差异

• 架构与定位：v2 采用双 Transformer 流式架构，主打低延迟与原生多人对话；v3 升级为 LLM-DiT（扩散自回归）连续语音架构，主打高精度克隆、语音编辑与 Voice Design，删除了多人对话机制。
• 语言与方言拓展：v3 将语言扩展至 24 种，并新增了 21 种中国方言的零样本克隆能力。

3. 开发团队、底层技术与应用场景

• 团队：由小红书 (Xiaohongshu) Super Intelligence (FireRed) 团队开发。
• 技术：基于 LLM-DiT 与连续语音表示，结合 RedAE Tokenizer 与语义编码器降低自回归生成中的累积误差。
• 场景：适用于游戏配音、影视修音、虚拟人声音设计、多方言有声书制作。