論文の概要: TurboTalk: Progressive Distillation for One-Step Audio-Driven Talking Avatar Generation

• arxiv url: http://arxiv.org/abs/2604.14580v1
• Date: Thu, 16 Apr 2026 03:19:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.70411
• Title: TurboTalk: Progressive Distillation for One-Step Audio-Driven Talking Avatar Generation
• Title（参考訳）: TurboTalk: ワンステップオーディオ駆動型音声アバター生成のためのプログレッシブ蒸留
• Authors: Xiangyu Liu, Feng Gao, Xiaomei Zhang, Yong Zhang, Xiaoming Wei, Zhen Lei, Xiangyu Zhu,
• Abstract要約: 本稿では,多段階の音声駆動型ビデオ拡散モデルを効果的に圧縮する2段階のプログレッシブ蒸留フレームワークを提案する。 提案手法は,音声アバターの単段階生成を実現し,高画質を維持しつつ,推論速度を120倍に向上させる。
• 参考スコア（独自算出の注目度）: 48.460504727347036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing audio-driven video digital human generation models rely on multi-step denoising, resulting in substantial computational overhead that severely limits their deployment in real-world settings. While one-step distillation approaches can significantly accelerate inference, they often suffer from training instability. To address this challenge, we propose TurboTalk, a two-stage progressive distillation framework that effectively compresses a multi-step audio-driven video diffusion model into a single-step generator. We first adopt Distribution Matching Distillation to obtain a strong and stable 4-step student, and then progressively reduce the denoising steps from 4 to 1 through adversarial distillation. To ensure stable training under extreme step reduction, we introduce a progressive timestep sampling strategy and a self-compare adversarial objective that provides an intermediate adversarial reference that stabilizes progressive distillation. Our method achieve single-step generation of video talking avatar, boosting inference speed by 120 times while maintaining high generation quality.
• Abstract（参考訳）: 既存のオーディオ駆動型ビデオデジタルヒューマンジェネレーションモデルは、マルチステップのデノベーションに依存しており、計算オーバーヘッドが大きく、現実の環境への展開を著しく制限している。 一段階の蒸留アプローチは推論を著しく加速させるが、しばしばトレーニング不安定に悩まされる。 この課題に対処するために,マルチステップ音声駆動ビデオ拡散モデルを効果的に1ステップ生成器に圧縮する2段階のプログレッシブ蒸留フレームワークであるTurboTalkを提案する。 まず, 分散マッチング蒸留を用いて, 強固で安定な4段階の学生を得た上で, 反対蒸留により, 段階を4段階から1段階に段階的に減らした。 極端段階減少下での安定したトレーニングを確保するため, 進行段階サンプリング戦略と, 進行蒸留を安定化させる中間対向参照を提供する自己比較対向目標を導入する。 提案手法は,音声アバターの単段階生成を実現し,高画質を維持しつつ,推論速度を120倍に向上させる。

関連論文リスト

• Streaming Autoregressive Video Generation via Diagonal Distillation [50.13573884115673]
  自己回帰モデルは、シーケンシャルフレーム合成のための自然なフレームワークを提供するが、高い忠実性を達成するためには重い計算を必要とする。 ビデオチャンクとデノイングステップの時間的情報を活用するために,ダイアゴナル蒸留を提案する。 本手法は,2.61秒(最大31FPS)で5秒ビデオを生成し,未蒸留モデル上で277.3倍のスピードアップを実現する。
  論文  参考訳（メタデータ） (2026-03-10T10:45:24Z)
• GPD: Guided Progressive Distillation for Fast and High-Quality Video Generation [48.965157828225074]
  高速かつ高品質なビデオ生成のための拡散過程を高速化するフレームワークであるGPD(Guid Progressive Distillation)を提案する。 GPDは、VBench上での競争的な視覚的品質を維持しながら、サンプリングステップを48から6に減らす。
  論文  参考訳（メタデータ） (2026-02-02T08:47:33Z)
• Towards One-step Causal Video Generation via Adversarial Self-Distillation [71.30373662465648]
  最近のハイブリッドビデオ生成モデルは、自己回帰時間力学と拡散に基づく空間認知を組み合わせている。 我々のフレームワークは、複数の推論ステップ設定を柔軟にサポートする単一の蒸留モデルを生成する。
  論文  参考訳（メタデータ） (2025-11-03T10:12:47Z)
• One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
  OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。 OneDPはロボット制御タスクの応答時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-10-28T17:54:31Z)
• Hyper-SD: Trajectory Segmented Consistency Model for Efficient Image Synthesis [20.2271205957037]
  Hyper-SDはODEトラジェクトリ保存と改革の利点を活かす新しいフレームワークである。 本稿では, 予め定義された時間ステップセグメント内で一貫した蒸留を行うために, トラジェクティブ・セグメンテッド・コンシスタンス蒸留を導入する。 人間のフィードバック学習を取り入れ、低段階のモデルの性能を高めるとともに、蒸留プロセスによって生じる性能損失を軽減する。
  論文  参考訳（メタデータ） (2024-04-21T15:16:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。