研究人员开发了 VoxMel,一个新颖的自回归文本到语音(TTS)框架,无需声学分词器。它采用可逆的双轴 Haar 变换将梅尔频谱图分解为粗糙和残差分量,从而实现稳定和高保真的音频生成。该方法在识别度和说话人相似度方面取得了优异的成果,一个 0.6B 的模型实现了较低的词错误率(WER)和较高的说话人相似度得分。 AI
影响 通过直接建模梅尔频谱图,引入了一种新颖的 TTS 生成方法,有望提高音频质量和说话人相似度。
排序理由 该条目描述了一份技术报告,详细介绍了一种新的 TTS 模型和方法。 [lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →