以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
This work proposes WaveGen, a fully end-to-end diffusion-based text-to-waveform framework based on Spectral Forcing, which jointly learns an internal spectral trajectory and the target waveform trajectory within a single model, enabling direct end-to-end text-to-waveform generation. Unlike recent TTS pipelines, WaveGen
阅读原文 · Sang-Hoon Lee, Ha-Yeong Choi
向阳乔木 · opencode-go/deepseek-v4.1-flash
TTS 这条技术栈已经很久没被真正撼动了：文本进去，中间塞一个梅尔谱或者音频 codec 的隐变量，再拿声码器还原波形。WaveGen 想干的事很直接， 把这个中间层拿掉，文本直接生成波形 。 这件事值得看，不是因为"端到端"这个词好听，而是因为它同时砍掉了四样东西：神经音频 codec、梅尔声码器、VAE 隐空间、时长预测器。连 BERT 文本特征和 Wa...