PulseAugur
中
实时 11:40:49
English(EN) X2Streaming-TTS: Causal Token-Level Text-to-Speech from Streaming Text with Speech-State Inheritance

新的X2Streaming-TTS实现了从流式文本进行的真正的逐词语音合成

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了X2Streaming-TTS，一个新颖的文本到语音系统，专为从流式文本进行真正的逐词合成而设计。该框架在文本词元到达时进行处理，生成语音而无需未来输入。它包含因果承诺来管理不确定的文本前缀，以及因果语音状态继承来在片段边界之间保持声学连续性。实验表明，X2Streaming-TTS在质量上优于现有的伪流式模型，并实现了低延迟，单次请求的首次音频词元的中位时间为15.8毫秒。 AI

影响 通过提供真正的逐词语音合成，实现了低延迟的口语对话系统。

排序理由 详细介绍新模型及其功能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的X2Streaming-TTS实现了从流式文本进行的真正的逐词语音合成

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Rime Wen, Zehan Liu, Shawn Qin, Lights Shi, Roy Gan, Hao Wang, Qian Wang ·

    X2Streaming-TTS: 具有语音状态继承的流式文本因果令牌级文本到语音转换

    arXiv:2608.18661v1 Announce Type: new Abstract: Streaming text-to-speech is essential for low-latency spoken dialogue systems, yet many systems wait for sentence-level text and are therefore only pseudo-streaming. True token-level synthesis must generate speech from uncertain pre…

相关话题