新的TTS推理栈提高了清晰度和鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-15 04:00

研究人员开发了一种利用离散流匹配的新型文本到语音模型推理栈。该方法将语音合成构建为条件填充任务，无需显式的时长预测器和外部对齐器。提出的“Mask, Sample, Revise”栈增强了文本条件，对齐了声学提示，并允许修改早期去掩码决策，从而提高了清晰度和鲁棒性，尤其是在低步长设置下。 AI

影响这项研究通过改进条件填充和允许修改合成步骤，有望带来更自然、更鲁棒的文本到语音系统。

排序理由该集群包含一篇详细介绍文本到语音合成新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Alef Iury Siqueira Ferreira, Lucas Rafael Stefanel Gris, Luiz Fernando de Ara\'ujo Vidal, Frederico Santos de Oliveira, Christopher Dane Shulby, Anderson da Silva Soares, Arlindo Rodrigues Galv\~ao Filho · 2026-06-15 04:00

Mask, Sample, Revise: A Revisable CTMC Inference Stack for Guided Discrete Flow Matching Text-to-Speech

arXiv:2606.13989v1 Announce Type: cross Abstract: Recent alignment-free non-autoregressive (NAR) text-to-speech (TTS) models formulate synthesis as a conditional infilling task, bypassing explicit duration predictors and external aligners. When speech is represented with neural c…