SpeechT5：统一语音合成与识别框架

SpeechT5 是微软提出的一种统一语音合成与识别框架，基于 Transformer 架构，将文本、语音和声学特征编码到共享的隐空间，实现跨模态学习。该模型在语音合成（TTS）、语音识别（ASR）、语音转换等任务上均取得优异表现，并开源了预训练权重和微调代码。Hugging Face 博客详细介绍了其架构设计、训练方法及在 Transformers 库中的使用方式。