論文の概要: ZONOS2 Technical Report

• arxiv url: http://arxiv.org/abs/2606.24320v1
• Date: Tue, 23 Jun 2026 08:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.854629
• Title: ZONOS2 Technical Report
• Title（参考訳）: ZONOS2技術報告
• Authors: Gabriel Clark, Sofian Mejjoute, Mohamed Osman, George Close, Beren Millidge,
• Abstract要約: 我々は最新のTSモデルであるZONOS2 8Bについて述べる。 我々は、新しいMoE(Mixix-of-Experts)バックボーンを用いて、1.6Bから8Bの合計パラメータにモデルをスケールし、推論レイテンシとスループットを改善した。 我々は,ZONOS2 8Bの品質,話者類似性,WER,ZTTS1-Evalを評価する。
• 参考スコア（独自算出の注目度）: 11.818490155411437
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present ZONOS2 8B, our latest TTS model, which achieves state-of-the-art naturalness, prosody, and voice cloning fidelity. We improve upon Zonos-v0.1 across scale, data, and training recipe. We scale the model from 1.6B to 8B total parameters (900M active) with a novel mixture-of-experts (MoE) backbone, improving inference latency and throughput. We expand our training corpus from 200K to over 6M hours using a new data processing pipeline, and we simplify our post-training and conditioning recipes to improve naturalness and voice cloning fidelity. We evaluate ZONOS2 8B on quality, speaker similarity, WER, and ZTTS1-Eval, our novel TTS benchmark, where it performs competitively with state-of-the-art systems while maintaining good streaming latency. We release our model weights and example inference code under an Apache 2.0 license on GitHub and Hugging Face.
• Abstract（参考訳）: 我々は,最新のTSモデルであるZONOS2 8Bを提案する。 スケール、データ、トレーニングのレシピにわたってZanos-v0.1を改善します。 我々は、新しいMix-of-experts(MoE)バックボーンを用いて、1.6Bから8Bの合計パラメータ(900Mアクティブ)にモデルをスケールし、推論レイテンシとスループットを改善した。 我々は、新しいデータ処理パイプラインを使用して、トレーニングコーパスを200Kから600万時間以上に拡大し、学習後のレシピと条件付けを簡素化し、自然性や音声のクローン性を改善する。 我々は,ZONOS2 8Bの品質,話者類似性,WER,ZTTS1-Evalを評価する。 私たちは、GitHubとHugging FaceのApache 2.0ライセンスの下で、モデルウェイトと例推論コードをリリースしています。

関連論文リスト

• dots.tts Technical Report [21.076643922579517]
  dots.ttsは継続的自己回帰型テキスト音声基礎モデルである。 我々はAudioVAEを複数の目的で訓練し、意味論的に構造化され、予測に親しみやすい連続音声空間を構築する。 フローマッチングヘッドに報酬のない自己補正後トレーニングを適用して、ロバスト性および音響品質をさらに向上する。
  論文  参考訳（メタデータ） (2026-06-05T09:19:24Z)
• TTS-1 Technical Report [0.9134656817901009]
  Inworld TTS-1は、Transformerベースの2つの自動回帰テキスト音声モデルのセットである。 TTS-1とTS-1-Maxは低レイテンシで48kHzの高分解能音声を生成することができる。 私たちはまた、MITライセンスの下でトレーニングとモデリングのコードをオープンソースにしています。
  論文  参考訳（メタデータ） (2025-07-22T23:57:11Z)
• Pangu Ultra MoE: How to Train Your Big MoE on Ascend NPUs [111.69640966866059]
  ミキチャー・オブ・エキスパート(MoE)と1兆近いパラメータを持つ疎大言語モデル(LLM)が、最も有能な言語モデルの領域を支配している。 本稿では,Ascend NPU上でそのようなスケールを利用するレシピを明らかにすることを目的としている。 主な目的は、動的スパースモデル構造下でのコンピューティングリソースのより良い使用と、実際のハードウェアで期待されるパフォーマンス向上の実現である。
  論文  参考訳（メタデータ） (2025-05-07T15:46:36Z)
• Multilingual Audio-Visual Speech Recognition with Hybrid CTC/RNN-T Fast Conformer [59.57249127943914]
  本稿では,複数の改良を加えた多言語音声認識モデルを提案する。 我々は、6つの異なる言語に対する音声視覚訓練データの量を増やし、重複しない多言語データセットの自動書き起こしを生成する。 提案モデルでは, LRS3データセット上での新たな最先端性能を実現し, WERは0.8%に達した。
  論文  参考訳（メタデータ） (2024-03-14T01:16:32Z)
• EM-TTS: Efficiently Trained Low-Resource Mongolian Lightweight Text-to-Speech [4.91849983180793]
  本稿では,深層畳み込みニューラルネットワークに基づくテキスト音声合成システムを提案する。 私たちのモデルは、Text2SpectrumとSSRNの2つのステージで構成されています。 実験の結果,合成音声の品質と自然性を確保しつつ,学習時間とパラメータを低減できることがわかった。
  論文  参考訳（メタデータ） (2024-03-13T01:27:57Z)
• Analyzing And Improving Neural Speaker Embeddings for ASR [54.30093015525726]
  本稿では,コンバータをベースとしたハイブリッドHMM ASRシステムに,ニューラルスピーカーの埋め込みを統合するための取り組みについて述べる。 話者埋め込みを用いたコンフォーマーベースハイブリッドASRシステムは, SWB 300hでのトレーニングにより, Hub5'00 と Hub5'01 で 9.0% WER を達成する。
  論文  参考訳（メタデータ） (2023-01-11T16:56:03Z)
• DeBERTa: Decoding-enhanced BERT with Disentangled Attention [119.77305080520718]
  2つの新しい手法を用いてBERTモデルとRoBERTaモデルを改善する新しいモデルアーキテクチャDeBERTaを提案する。 これらの手法により,モデル事前学習の効率化と,自然言語理解(NLU)と自然言語生成(NLG)の両方の性能向上が期待できる。
  論文  参考訳（メタデータ） (2020-06-05T19:54:34Z)
• TinyLSTMs: Efficient Neural Speech Enhancement for Hearing Aids [13.369813069254132]
  モデル圧縮技術を用いて、大型ニューラルネットワークとバッテリ駆動型補聴器ハードウェアのギャップを埋める。 我々は,ウェイト/アクティベーションのプルーニングと整数量子化を用いて,RNN音声強調の有効性を初めて実証した。 我々のモデルは計算遅延が2.39msで、10msの目標と、以前の作業よりも351$times$である。
  論文  参考訳（メタデータ） (2020-05-20T20:37:47Z)
• 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)
• A Streaming On-Device End-to-End Model Surpassing Server-Side Conventional Model Quality and Latency [88.08721721440429]
  本稿では,第1パスリカレントニューラルネットワークトランスデューサ(RNN-T)モデルと第2パスリステン,Attend,Spell(LAS)リスコラを開発する。 RNN-T+LASは従来のモデルに比べてWERとレイテンシのトレードオフが優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-28T05:00:33Z)

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。