通过扩散模型提供高质量音频合成方法

要点:1、E3TTS是一种简化高效的端到端扩散式文本到语音模型，通过扩散模型生成高保真的语音波形。2、E3TTS模型由预训练的BERT模型和扩散UNet模型组成，以提取文本信息并迭代地生成最终的语音波形。3、E3TTS不仅能生成高保真音频，还支持零样本任务，如语音编辑和基于提示的生成。