TTS-1技术报告:基于Transformer的文本转语音模型

TTS-1技术报告

我们介绍了Inworld TTS-1,这是一组两个基于Transformer的自回归文本转语音(TTS)模型。我们最大的模型TTS-1-Max拥有88亿参数,专为要求苛刻的应用场景提供最高质量和表现力。TTS-1是我们最高效的模型,具有16亿参数,专为实时语音合成和边缘设备用例而构建。

通过扩展训练计算量并应用语音语言模型(SpeechLM)组件的预训练、微调和RL对齐的序列化流程,这两个模型在各种基准测试中都实现了最先进的性能,仅依靠说话者语音的上下文学习就展现出卓越的质量。

Inworld TTS-1和TTS-1-Max能够以低延迟生成48kHz高分辨率语音,支持11种语言,并通过音频标记实现精细的情感控制和非语言发声。我们还以MIT许可证开源了训练和建模代码。

技术细节

  • 模型架构:基于Transformer的自回归模型
  • 参数量:TTS-1-Max(8.8B)/TTS-1(1.6B)
  • 采样率:48kHz高分辨率音频
  • 支持语言:11种
  • 特色功能:音频标记控制、情感表达、非语言发声
  • 训练流程:预训练→微调→RL对齐三阶段
  • 开源协议:MIT许可证

性能表现

模型在多项基准测试中达到state-of-the-art水平,完全基于上下文学习实现高质量的语音合成。特别在以下方面表现突出:

  1. 语音自然度和表现力
  2. 多语言支持能力
  3. 低延迟实时生成
  4. 边缘设备部署效率
    更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)
    公众号二维码
相关推荐
진영_4 小时前
Transformer(一)---背景介绍及架构介绍
人工智能·深度学习·transformer
东方芷兰7 小时前
LLM 笔记 —— 01 大型语言模型修炼史(Self-supervised Learning、Supervised Learning、RLHF)
人工智能·笔记·神经网络·语言模型·自然语言处理·transformer
丁希希哇2 天前
【论文精读】CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer
人工智能·深度学习·transformer
居7然2 天前
JoyAgent-JDGenie深度评测:从开箱到实战,多智能体框架的工业级答卷
分布式·自然语言处理·架构·transformer·agent
2401_841495643 天前
【自然语言处理】Universal Transformer(UT)模型
人工智能·python·深度学习·算法·自然语言处理·transformer·ut
凯子坚持 c3 天前
Transformer模型:深度解析自然语言处理的革命性架构
深度学习·自然语言处理·transformer
盼小辉丶3 天前
Transformer实战(20)——微调Transformer语言模型进行问答任务
人工智能·深度学习·transformer
Bwcx_lzp4 天前
深度学习核心技术演进:从函数到 Transformer 架构
人工智能·深度学习·transformer
小毕超5 天前
基于 PyTorch 完全从零手搓 GPT 混合专家 (MOE) 对话模型
pytorch·transformer·moe
清风吹过6 天前
因果&Transformer架构论文分享:机器人技术和计算机视觉的位姿估计
计算机视觉·机器人·transformer