低比特率語音合成

深度分析

「ReGen」階層多提示與通用流匹配提升低比特率波形擴散模型效能

隨著語音AI需求提升，研究提出ReGen以階層多提示同時生成表示與波形，克服REPA造成的向量糾纏，並透過GFM防止流向收斂。實驗在12.5Hz低比特率VAE與25Hz編碼器上提升音質，ReGenVoice僅用小規模資料、四張GPU一天訓練，即提升辨識率與說話者相似度，推論RTF僅0.08，顯示大幅提升生成效率與品質。