論文の概要: PilotTTS: A Disciplined Modular Recipe for Competitive Speech Synthesis

• arxiv url: http://arxiv.org/abs/2605.27258v2
• Date: Wed, 27 May 2026 06:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.164577
• Title: PilotTTS: A Disciplined Modular Recipe for Competitive Speech Synthesis
• Title（参考訳）: PilotTTS: 競合音声合成のための分割型モジュールレシピ
• Authors: Bowen Li, Shaotong Guo, Zhen Wang, Yang Xiang, Mingli Jin, Yihang Lin, Jiahui Zhao, Weibo Xiong, Dongrui Zhang, Keming Chen, Yunze Gao, Zeyang Lin, Yuze Zhou, Yue Liu,
• Abstract要約: 本稿では,軽量自動回帰音声合成システムPilotTTSを提案する。 PilotTTSは,最小限のアーキテクチャと厳格なデータエンジニアリングを通じて,競争力のあるパフォーマンスを実現する。 PilotTTSは、オープンソースツールで完全に処理されたわずか200K時間のデータでトレーニングされている。
• 参考スコア（独自算出の注目度）: 16.983092337406138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building state-of-the-art text-to-speech (TTS) systems typically demands millions of hours of proprietary data and complex multi-stage architectures, creating substantial barriers for resource-constrained research teams. In this report, we present PilotTTS, a lightweight autoregressive TTS system that achieves competitive performance through minimalist architecture and rigorous data engineering. PilotTTS is trained on only 200K hours of data processed entirely with open-source tools. Specifically, our contributions are: (1) a reproducible multi-stage data processing pipeline covering quality assessment, label annotation, and filtering, and (2) a compact model architecture that employs Q-Former-based conditioning to decouple speaker identity from speaking style via cross-sample paired training. Within a unified framework, PilotTTS supports zero-shot voice cloning, emotion synthesis (11 categories), paralinguistic synthesis (4 categories), and Chinese dialect synthesis (14 dialects). On the Seed-TTS Eval benchmark, PilotTTS achieves the lowest WER of 1.50% on test-en, a CER of 0.87% on test-zh, and the highest speaker similarity on both test sets (0.862 and 0.815), outperforming systems trained on significantly larger datasets. We release the complete data pipeline recipe, pretrained weights, and code at https://github.com/AMAPVOICE/PilotTTS.
• Abstract（参考訳）: 最先端のテキスト音声(TTS)システムを構築するには、通常数百万時間ものプロプライエタリなデータと複雑なマルチステージアーキテクチャを必要とする。 本稿では,最小限のアーキテクチャと厳密なデータエンジニアリングによる競合性能を実現する軽量自動回帰型TSSシステムであるPilotTTSを提案する。 PilotTTSは、オープンソースツールで完全に処理されたわずか200K時間のデータでトレーニングされている。 具体的には,(1)品質評価,ラベルアノテーション,フィルタリングを網羅した再現可能な多段階データ処理パイプライン,(2)Q-Formerベースの条件付けを用いたコンパクトなモデルアーキテクチャを用いて,話者識別をクロスサンプルペアリングによる発話スタイルから分離する。 統合されたフレームワークの中で、PilotTTSはゼロショット音声のクローニング、感情合成(11カテゴリ)、パラ言語合成(4カテゴリ)、中国方言合成(14方言)をサポートしている。 Seed-TTS Evalベンチマークでは、PilotTTSはテスト-enで1.50%、テスト-zhで0.87%、両方のテストセットで0.862と0.815で最高の話者類似度を達成した。 完全なデータパイプラインのレシピ、事前訓練されたウェイト、コードをhttps://github.com/AMAPVOICE/PilotTTS.comでリリースします。

関連論文リスト

• KIT's Low-resource Speech Translation Systems for IWSLT2025: System Enhancement with Synthetic Data and Model Regularization [64.1520245849231]
  本稿では,KIT の低リソーストラック IWSLT 2025 への提出について述べる。 ケースドシステムとエンド・ツー・エンド(E2E)音声翻訳システムを開発した。 事前訓練されたモデルに基づいて、リソースを効率的に活用するためのさまざまな戦略でシステムを微調整します。
  論文  参考訳（メタデータ） (2025-05-26T08:38:02Z)
• Improving Text Embeddings with Large Language Models [59.930513259982725]
  合成データと1k以下のトレーニングステップのみを用いて,高品質なテキスト埋め込みを実現するための,新しい簡易な手法を提案する。 我々は、93言語にまたがる数十万のテキスト埋め込みタスクのための多様な合成データを生成するために、プロプライエタリなLLMを活用している。 実験により,ラベル付きデータを使わずに,高度に競争力のあるテキスト埋め込みベンチマークにおいて高い性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-31T02:13:18Z)
• Matcha-TTS: A fast TTS architecture with conditional flow matching [13.973500393046235]
  高速TTS音響モデリングのための新しいエンコーダデコーダアーキテクチャであるMatcha-TTSを紹介する。 最適輸送条件フローマッチング(OT-CFM)を用いて訓練する。 これにより、スコアマッチングを用いてトレーニングされたモデルよりも少ない合成ステップで出力品質の高いODEベースのデコーダが得られる。
  論文  参考訳（メタデータ） (2023-09-06T17:59:57Z)
• MnTTS: An Open-Source Mongolian Text-to-Speech Synthesis Dataset and Accompanied Baseline [16.95694149810552]
  本稿では,世界中の1000万人以上が話す低リソース言語であるモンゴル語のための高品質なオープンソーステキスト音声データセットについて紹介する。 MnTTSと名付けられたこのデータセットは、22歳のモンゴル人プロのアナウンサーが録音した約8時間分の音声記録で構成されている。 これは、モンゴルのTSアプリケーションを促進するために、アカデミックと産業の両方で開発された最初の公開データセットである。
  論文  参考訳（メタデータ） (2022-09-22T08:24:43Z)
• You Do Not Need More Data: Improving End-To-End Speech Recognition by Text-To-Speech Data Augmentation [59.31769998728787]
  我々は、ASRトレーニングデータベース上にTSシステムを構築し、合成音声でデータを拡張し、認識モデルを訓練する。 テストクリーンはWER 4.3%,他のテストクリーンは13.5%で、このシステムはLibriSpeechトレインクリーン100で訓練されたエンドツーエンドASRの競争結果を確立している。
  論文  参考訳（メタデータ） (2020-05-14T17:24:57Z)

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。