arXiv 2409.093512024-09-14eess.AScs.SD

E1 TTS：简单快速的非自回归TTS

E1 TTS: Simple and Fast Non-Autoregressive TTS

School of Data Science（数据科学学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Fuxi AI Lab, NetEase Inc.（网易伏羲人工智能实验室）

Zhijun Liu, Shuai Wang, Pengcheng Zhu, Mengxiao Bi, Haizhou Li

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本研究提出E1 TTS高效非自回归零样本文本转语音系统，基于去噪扩散预训练与分布匹配蒸馏，无需显式文本音频对齐，单步推理即可达到与强基线相当的语音自然度和说话人相似度。

摘要：

本文介绍了Easy One-Step Text-to-Speech（E1 TTS，简易一步式文本转语音），这是一种基于去噪扩散预训练和分布匹配蒸馏的高效非自回归零样本文本转语音系统。E1 TTS的训练过程简洁，无需文本与音频对之间的显式单调对齐。其推理效率很高，每条语音仅需一次神经网络评估。尽管采样效率高，E1 TTS在自然度和说话人相似度上仍可与多种强基线模型媲美。音频样本可访问http://e1tts.github.io/ 获取。

英文摘要：

This paper introduces Easy One-Step Text-to-Speech (E1 TTS), an efficient non-autoregressive zero-shot text-to-speech system based on denoising diffusion pretraining and distribution matching distillation. The training of E1 TTS is straightforward; it does not require explicit monotonic alignment between the text and audio pairs. The inference of E1 TTS is efficient, requiring only one neural network evaluation for each utterance. Despite its sampling efficiency, E1 TTS achieves naturalness and speaker similarity comparable to various strong baseline models. Audio samples are available at http://e1tts.github.io/ .

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。