■ 概要（1行） Rectified Flow Diffusion Transformer (RF-DiT) を採用した、高精度かつ文体制御可能なFlow MatchingベースのText-to-Speechモデルです。 ■ 特徴・用途（2〜3行） ① **先進的な生成メカニズム**: DACVAEの連続潜在空間に対するFlow Matchingを用いることで、従来のDiffusionモデルを超える安定性と高品質な音声生成を実現しています。 ② **高度な制御性**: Emojiやキャプションといった条件入力（Caption-conditioned style control）に基づき、話者や発話のスタイルをゼロショットで自在に制御できる点が最大の特徴です。 ③ **実用的な設計**: Zero-shotボイスクローニングや、`torchrun`を使った大規模分散学習（bf16、勾配蓄積対応）が可能な設計となっており、研究から実用デモまで対応します。 ■ 結論（1行） 音声合成のアーキテクチャとして、拡散モデルからFlow Matchingへのシフトを検証したい、最先端の研究開発用途に極めて適しています。