电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月6日
(v1)
,最后修订 2025年8月28日 (此版本, v2)]
标题: 并行GPT:为零样本文本到语音协调声学和语义信息的独立性和相互依赖性
标题: Parallel GPT: Harmonizing the Independence and Interdependence of Acoustic and Semantic Information for Zero-Shot Text-to-Speech
摘要: 语音表示和大型语言模型的进步提高了零样本文本到语音(TTS)的性能。 然而,现有的零样本TTS模型在捕捉声学和语义特征之间的复杂相关性方面面临挑战,导致表现力和相似性不足。 主要原因是语义和声学特征之间的复杂关系,表现为独立性和相互依赖性两个方面。本文介绍了一个结合自回归(AR)和非自回归(NAR)模块的TTS框架,以协调声学和语义信息的独立性和相互依赖性。 AR模型利用提出的并行分词器同时合成顶级语义和声学标记。 相比之下,考虑到相互依赖性,耦合的NAR模型基于通用AR模型的输出预测详细标记。 基于此架构构建的并行GPT,旨在通过其并行结构提高零样本文本到语音合成的效果。 在英语和中文数据集上的实验表明,所提出的模型在合成质量和效率方面显著优于现有零样本TTS模型。 语音演示可在 https://t1235-ch.github.io/pgpt/ 上查看。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.