效果非常不错的一款TTS，一个完全非自回归的TTS模型：MaskGCT

它不需要文本和语音之间的显式对齐信息，也不需要音素级别的持续时间预测，采用了掩码和预测的学习方式，在声音克隆、跨语种合成、语音控制等方面表现优秀