Fugu-MT 論文翻訳(概要): FreyaTTS Technical Report

論文の概要: FreyaTTS Technical Report

arxiv url: http://arxiv.org/abs/2607.09530v1
Date: Fri, 10 Jul 2026 15:36:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-13 14:47:12.89251
Title: FreyaTTS Technical Report
Title（参考訳）: FreyaTTS技術報告
Abstract要約: 本稿では,Freya-TTSについて紹介する。 AudioVAE2(16kHzのエンコード、48kHzのデコード)の凍結した連続潜伏空間で動作し、モデルがテキストからラテントマッピングに集中できるようにしている。バンドマッチングワードエラー率(WER)は8.0%、文字エラー率(CER)は3.0%で、かなり大きなオープンソースシステムより優れています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Freya-TTS, a compact, tokenizer-free, Turkish-first text-to-speech model designed for highly reliable and efficient conversational synthesis. Freya-TTS is a 183.2M-parameter non-autoregressive conditional flow-matching Diffusion Transformer (DiT) that operates in the frozen continuous latent space of AudioVAE2 (16 kHz encode, 48 kHz decode), allowing the model to focus its capacity on text-to-latent mapping while inheriting high-quality 48 kHz reconstruction. We advance the framework along three key dimensions: (1) rule-free end-to-end modeling from a 92-symbol Turkish character vocabulary without a phonemizer, grapheme-to-phoneme frontend, or discrete speech tokenizer; (2) non-autoregressive parallel denoising, which predicts the entire latent sequence simultaneously over a predicted duration; and (3) a production-oriented two-stage post-training recipe consisting of single-speaker voice locking and short-utterance coverage, improving speaker consistency and robustness on short inputs. On the Freya-TR-Eval benchmark, Freya-TTS achieves a band-matched word error rate (WER) of 8.0% and character error rate (CER) of 3.0%, outperforming substantially larger open-source systems while using a fraction of their parameters. The model achieves a real-time factor of 0.11 on consumer GPUs and runs faster than real time on a laptop CPU, making it well suited for resource-constrained edge deployment. We release the model weights, training and inference code, and evaluation benchmark under the Apache-2.0 license.
Abstract（参考訳）: 本稿ではFreya-TTSについて紹介する。Freya-TTSは、信頼性が高く効率的な会話合成のために設計された、コンパクトでトークンフリーでトルコ語第一のテキスト音声合成モデルである。 Freya-TTSは、AudioVAE2 (16kHzのエンコード、48kHzのデコード)の冷凍連続潜伏空間で動作し、高品質な48kHzの再構成を継承しながら、テキスト-ラテントマッピングに集中できる183.2Mの非自己回帰式条件整合拡散変圧器(Diffusion Transformer, DiT)である。提案手法は,(1)音素を含まない92記号のトルコ文字語彙からの規則フリーなエンドツーエンドモデリング,(2)予測期間を同時に同時に予測する非自己回帰並列化,(3)単一話者音声ロックと短距離音声カバレッジからなる生産指向の2段階後学習レシピ,および短距離入力における話者の一貫性と頑健性の向上,の3つの重要な側面に沿って進められている。 Freya-TR-Evalベンチマークでは、Freya-TTSは8.0%のバンドマッチングワードエラー率(WER)と3.0%のキャラクタエラー率(CER)を達成し、そのパラメータのごく一部を使用しながら、かなり大きなオープンソースシステムより優れていた。このモデルは、コンシューマGPU上でのリアルタイム係数0.11を達成し、ラップトップCPU上でのリアルタイムよりも高速に動作し、リソース制約のあるエッジデプロイメントに適している。モデルウェイト、トレーニング、推論コード、評価ベンチマークをApache-2.0ライセンスでリリースしています。

関連論文リスト

TontaubeV1: Streaming Text-to-Speech with Hierarchical Codec Modeling and Bounded Context [0.04583541422554719]
TontaubeV1は、単一のコンシューマGPUからのストリーミングを可能にしながら、自然な韻律を保存するモデルである。本設計では,セマンティックストリームの生成時に,韻律構造がほぼ確立されていると仮定する。このモデルは、音声コンディショニングのために最大1分間のレファレンスオーディオを受け入れ、主に英語とドイツ語向けに設計されている。
論文参考訳（メタデータ） (2026-09-08T13:03:46Z)
CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents [53.73961877379327]
CuteTTSはコンパクトな連続自己回帰型TSシステムである。意味的に整列した因果性VAE潜伏剤とパッチレベルの自己回帰、明示的な話者条件付け、双方向のフローマッチングヘッドを組み合わせる。
論文参考訳（メタデータ） (2026-08-09T11:10:20Z)
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)
MOSS-TTS Technical Report [62.0595749527453]
MOSS-TTSは、スケーラブルなレシピに基づいて構築された音声生成基盤モデルである。 24kHzのオーディオを12.5fpsに圧縮し、可変ビットレートRVQとセマンティック音響表現を統一する。ゼロショット音声のクローニング、トークンレベルの持続時間制御、音素/ピニリンレベルの発音制御、スムーズなコードスイッチング、安定した長文生成をサポートする。
論文参考訳（メタデータ） (2026-03-18T09:08:06Z)
Qwen3-ASR Technical Report [71.87071808763484]
2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。 Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
論文参考訳（メタデータ） (2026-01-29T06:58:13Z)
Qwen3-TTS Technical Report [64.94647392030824]
本稿では,Qwen3-TTSシリーズについて述べる。 Qwen3-TTSは最先端の3秒間音声クローニングと記述ベースの制御をサポートする。 Qwen3-TTSは、2つの音声トークンとともに、リアルタイム合成のためのデュアルトラックLMアーキテクチャを採用している。
論文参考訳（メタデータ） (2026-01-22T03:51:43Z)
Qwen3-Omni Technical Report [105.11829337290249]
Qwen3-Omniは、テキスト、画像、オーディオ、ビデオ間で最先端のパフォーマンスを維持する単一のマルチモーダルモデルである。 Qwen3-OmniはQwenシリーズ内の同一サイズのシングルモーダルモデルのパフォーマンスと一致し、特にオーディオタスクに優れる。 119言語でのテキストインタラクション、19言語での音声理解、および10言語での音声生成をサポートする。
論文参考訳（メタデータ） (2025-09-22T13:26:24Z)
Pseudo-Autoregressive Neural Codec Language Models for Efficient Zero-Shot Text-to-Speech Synthesis [64.12708207721276]
本稿では,AR と NAR を統一した新しい擬似自己回帰(PAR)言語モデリング手法を提案する。 PAR 上に構築した PALLE は 2 段階の TTS システムであり, PAR を初期生成に利用し, NAR を改良する。実験では、LibriTTSでトレーニングされたPALLEが、大規模データでトレーニングされた最先端システムを上回っていることが示された。
論文参考訳（メタデータ） (2025-04-14T16:03:21Z)
SimpleSpeech 2: Towards Simple and Efficient Text-to-Speech with Flow-based Scalar Latent Transformer Diffusion Models [64.40250409933752]
我々は、SimpleSpeech 2.0と呼ばれるシンプルで効率的な非自己回帰(NAR)TSフレームワークを実装することで、過去の出版物の上に構築した。 SimpleSpeech 2は、自己回帰(AR)法と非自己回帰(NAR)法の両方の長所を効果的に組み合わせている。我々は,従来の作業と他の大規模TSモデル(SOTA)と比較して,生成性能と生成速度が大幅に向上したことを示す。
論文参考訳（メタデータ） (2024-08-25T17:07:39Z)
Non-Autoregressive TTS with Explicit Duration Modelling for Low-Resource Highly Expressive Speech [5.521191428642322]
本稿では、ターゲット話者から15分間の音声データを用いて、高い表現力を持つTTS音声を構築する方法を提案する。現在の最先端アプローチと比較して,提案手法は音声の自然性に対して23.3%向上し,録音とのギャップを埋めることができた。
論文参考訳（メタデータ） (2021-06-24T10:52:10Z)

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。