论文解读
15 秒参考合成整库:固定音色泰语 TTS 的质量与覆盖取舍
该工作用 15 秒参考驱动 OmniVoice 教师批量合成泰语语料并训练 82M 固定音色 Kokoro 学生,以 68.2% 挑战集关键词准确率与 91.4% 停顿精确率保留音色并减少词内停顿,代价是难词实现仍落后于教师与更大系统。
该工作用 15 秒参考驱动 OmniVoice 教师批量合成泰语语料并训练 82M 固定音色 Kokoro 学生,以 68.2% 挑战集关键词准确率与 91.4% 停顿精确率保留音色并减少词内停顿,代价是难词实现仍落后于教师与更大系统。
该文只训练窄而深的学生编码器逐帧回归教师预量化潜变量,在 2.8 倍参数压缩下六组配对中五组相对词错误率退化不超过 1.9%,同容量独立训练对照优 3.9% 相对,而联合训练的 J3 退化 7.7% 揭示教师与阶段边界。
语音编码 | 8.3/10
扩散模型 | 5.9/10
回声消除 | 8.5/10
音视频生成 | 8.9/10
语音合成 | 10.0/10
音视频理解 | 6.4/10
音视频语音合成 | 6.7/10
语音编码 | 6.0/10
音视频生成 | 6.6/10
音视频生成 | 7.7/10
语音识别 | 7.0/10
语音增强 | 6.6/10
音视频生成 | 7.8/10
音频分类 | 6.2/10
语音合成 | 7.0/10
语音编码 | 7.7/10
语音增强 | 6.0/10
音乐生成 | 8.6/10