计算机科学 > 声音
[提交于 2025年8月22日
]
标题: TaDiCodec:用于语音语言建模的文本感知扩散语音标记器
标题: TaDiCodec: Text-aware Diffusion Speech Tokenizer for Speech Language Modeling
摘要: 语音分词器是语音语言模型的基础组件,但当前的设计存在一些局限性,包括:1)依赖于多层残差向量量化结构或高帧率,2)依赖于辅助预训练模型进行语义蒸馏,3)需要复杂的两阶段训练过程。 在本工作中,我们介绍了文本感知扩散变换器语音编解码器(TaDiCodec),这是一种旨在克服这些挑战的新方法。 TaDiCodec通过扩散自编码器进行量化和重建的端到端优化,同时将文本指导整合到扩散解码器中,以提高重建质量并实现最佳压缩。 TaDiCodec在24 kHz语音上使用单层代码本实现了极低的帧率6.25 Hz和相应的比特率为0.0875 kbps,同时在关键语音生成评估指标如单词错误率(WER)、说话人相似性(SIM)和语音质量(UTMOS)上保持优异性能。 值得注意的是,TaDiCodec采用了一阶段端到端训练范式,消除了对辅助预训练模型的需求。 我们还验证了TaDiCodec在基于语言模型的零样本文本到语音中的兼容性,适用于自回归建模和掩码生成建模,证明了其在语音语言建模中的有效性和效率,以及显著的小的重建-生成差距。 我们将开源我们的代码和模型检查点。 音频样本可在 https:/tadicodec.github.io/ 获取。 我们在 https:/github.com/HeCheng0625/Diffusion-Speech-Tokenizer 发布代码和模型检查点。
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.