ZipL-Dialog：通过潜在流匹配进行内存高效的长格式口语对话合成

零样本对话 TTS 受益于流匹配，但密集梅尔谱图上的分钟级生成会导致严重的内存瓶颈，通常会迫使不自然的分块合成。我们提出了 ZipL-Dialog，它将条件流匹配转移到 4 倍时间压缩（25 Hz）的潜在空间中。为了在压缩下保持声音保真度，我们采用具有辅助梅尔域监督的确定性梅尔自动编码器，并优化 ZipFormer 的分层下采样计划。实验表明，与基线相比，ZipL-Dialog 将最大峰值 GPU 内存减少了 11.22 倍，推理速度提高了 2.23 倍，显着降低了单通道多分钟对话合成的内存占用，同时保持了感知自然度。