Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.16790

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2508.16790 (cs)
[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

Authors:Yuancheng Wang, Dekun Chen, Xueyao Zhang, Junan Zhang, Jiaqi Li, Zhizheng Wu
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。
摘要: Speech tokenizers serve as foundational components for speech language models, yet current designs exhibit several limitations, including: 1) dependence on multi-layer residual vector quantization structures or high frame rates, 2) reliance on auxiliary pre-trained models for semantic distillation, and 3) requirements for complex two-stage training processes. In this work, we introduce the Text-aware Diffusion Transformer Speech Codec (TaDiCodec), a novel approach designed to overcome these challenges. TaDiCodec employs end-to-end optimization for quantization and reconstruction through a diffusion autoencoder, while integrating text guidance into the diffusion decoder to enhance reconstruction quality and achieve optimal compression. TaDiCodec achieves an extremely low frame rate of 6.25 Hz and a corresponding bitrate of 0.0875 kbps with a single-layer codebook for 24 kHz speech, while maintaining superior performance on critical speech generation evaluation metrics such as Word Error Rate (WER), speaker similarity (SIM), and speech quality (UTMOS). Notably, TaDiCodec employs a single-stage, end-to-end training paradigm, and obviating the need for auxiliary pre-trained models. We also validate the compatibility of TaDiCodec in language model based zero-shot text-to-speech with both autoregressive modeling and masked generative modeling, demonstrating its effectiveness and efficiency for speech language modeling, as well as a significantly small reconstruction-generation gap. We will open source our code and model checkpoints. Audio samples are are available at https:/tadicodec.github.io/. We release code and model checkpoints at https:/github.com/HeCheng0625/Diffusion-Speech-Tokenizer.
主题: 声音 (cs.SD) ; 机器学习 (cs.LG); 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.16790 [cs.SD]
  (或者 arXiv:2508.16790v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.16790
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yuancheng Wang [查看电子邮件]
[v1] 星期五, 2025 年 8 月 22 日 20:45:03 UTC (229 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.LG
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号