arXiv · Audio and Speech· Jian Chen, You Zhang, Mark Vinton·· 8 hr agoSelectedAI score62
Tacit-TTS：从自回归解码到掩码预测的高效无转录语音克隆
Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning
AI brief
Tacit-TTS 从 IndexTTS2 蒸馏而来，用掩码非自回归生成替代自回归文本到语义解码，并引入训练免声学长度估计与 ReFlow 蒸馏加速流匹配渲染器。在两条英文和两条中文数据集上，长于 5 秒的语音生成速度比 IndexTTS2 快 10 倍以上，零样本质量相当，且无需参考语音转录，支持跨语言与非词汇参考（如八种其他语言、婴儿咿呀和合成乱码）。
Why it matters
用掩码非自回归替代自回归语义解码，配合无训练声学长度估计和 ReFlow 蒸馏，在零样本克隆质量不变时实现 10 倍以上加速。
Source: arXiv · Audio and Speech · arxiv.org