论文页面 - Tacit-TTS：从自回归解码到掩码预测的高效无转录文本语音克隆

来源：https://huggingface.co/papers/2609.38658

摘要

采用自回归语义建模的 TTS 系统展现出了强大的零样本语音克隆性能和丰富的表达变化，但其顺序解码带来了较高的延迟。非自回归的替代方案虽然生成速度更快，但往往依赖更严格的参考条件，例如在推理时需要参考语音的转录文本。我们提出了 Tacit-TTS，一个从 IndexTTS2 蒸馏得到的高效无转录文本零样本语音克隆系统。我们的模型用掩码非自回归生成替代了自回归的文本到语义解码，引入了免训练的声学长度估计，并通过 ReFlow 蒸馏加速了 flow-matching 渲染器。在两个英文和两个中文数据集上，Tacit-TTS 在达到具有竞争力的零样本质量的同时，对于超过 5 秒的语音，生成速度比 IndexTTS2 快 10 倍以上。其无转录文本的条件机制还进一步支持跨语言和非词汇性的参考输入。我们使用来自八种其他语言的参考语音、婴儿咿呀学语以及合成乱码来验证这一能力——在这些场景下，依赖转录文本的系统往往会因 ASR 转录不可靠而性能下降甚至失败。

查看 arXiv 页面 (https://arxiv.org/abs/2609.38658)　查看 PDF (https://arxiv.org/pdf/2609.38658)　加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.38658)

在你的 agent 中获取此论文：

hf papers read 2609\.38658

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型0

没有模型链接到此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.38658，即可从此页面链接过去。

引用该论文的数据集0

没有数据集链接到此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.38658，即可从此页面链接过去。

引用该论文的 Space0

没有 Space 链接到此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2609.38658，即可从此页面链接过去。

收录该论文的合集0

没有合集收录此论文

将此论文加入合集 (https://huggingface.co/new-collection)，即可从此页面链接过去。