自回歸文字轉語音

窗口注意力

WAND：窗口式注意力與知識蒸餾提升自回歸文字轉語音效能

自回歸文字轉語音模型因全域自注意力在長序列上成本高。WAND 透過全局與局部窗口注意力結合，並以課程式學習與知識蒸餾穩定微調。實驗顯示在保持音質的前提下，快取記憶體減少逾 66%，推理延遲幾乎與序列長度無關。